[发明专利]基于多种时频分析自适应融合的电机轴承故障诊断方法

说明书

本发明涉及一种基于多种时频分析自适应融合的电机轴承故障诊断方法，包括以下步骤：S1：获取多种故障情况的电机轴承的一维振动信号构建电机轴承故障数据集；S2：对电机轴承故障数据集的一维振动信号进行数据处理，获取每个一维振动信号的对应的小波时频图、HHT边际谱、STFT时频图；S3：构建故障识别网络，基于一维振动信号的小波时频图、HHT边际谱、STFT时频图对故障识别网络进行训练；S4：获取待诊断的电机轴承的一维振动信号并送入训练好的故障识别网络，获取待诊断的电机轴承的故障情况类型。与现有技术相比，本发明具有故障诊断准确性高、效率高等优点。

技术领域

本发明涉及故障诊断领域，尤其是涉及基于多种时频分析自适应融合的电机轴承故障诊断方法。

背景技术

随着社会发展的日新月异，对于电机的要求也越来越高，作为电机的重要零件，轴承的健康状态极大程度上影响着电机的正常运行。传统的智能故障诊断技术，如支持向量机，PCA等。但是这些方法对于滚动轴承的故障识别准确率有限且需要人工参与。另外现有方法还存在以下问题：基于传统卷积的滚动轴承故障诊断方法，存在梯度扩散、参数爆炸和训练时间长等缺点；2)单纯的使用小波变换作为神经网络的输入面临着小波基选取困难的问题；3)传统的机器学习方法在面对大量数据集时，表现不佳。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于多种时频分析自适应融合的电机轴承故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于多种时频分析自适应融合的电机轴承故障诊断方法，包括以下步骤：

S1：获取多种故障情况的电机轴承的一维振动信号构建电机轴承故障数据集；

S2：对电机轴承故障数据集的一维振动信号进行数据处理，获取每个一维振动信号的对应的小波时频图、HHT边际谱、STFT时频图；

S3：构建故障识别网络，基于一维振动信号的小波时频图、HHT边际谱、STFT时频图对故障识别网络进行训练；

S4：获取待诊断的电机轴承的一维振动信号并送入训练好的故障识别网络，获取待诊断的电机轴承的故障情况类型。

优选地，所述的故障识别网络包括第一处理模块、第二处理模块、第三处理模块和分类输出模块，所述的第一处理模块用于对小波时频图进行特征提取，所述的第二处理模块用于对HHT边际谱进行特征提取，所述的第三处理模块用于对STFT时频图进行特征提取，所述的输出模块用于将第一处理模块、第二处理模块、第三处理模块的提取结果进行处理，获取电机轴承的故障情况类型。

优选地，所述的第一处理模块、第二处理模块、第三处理模块均为多重卷积模块，所述的多重卷积模块包括依次连接的Convolution卷积层、Involution卷积层和Convolution卷积层。

优选地，所述的分类输出模块包括依次连接的拼接层、CBAM注意力模块、FC层、Softmax层。

优选地，所述的步骤S2具体包括：

S21：对各电机轴承的一维振动信号进行小波变换，获取小波时频图；

S22：对各电机轴承的一维振动信号进行希尔伯特黄变换，获取HHT边际谱；

S23：对各电机轴承的一维振动信号进行短时傅里叶变换，获取STFT时频图。

优选地，所述的小波变换的波基选用cmor3-3，所述的小波变换的尺度为256，将一维振动信号和cmor3-3波基送入到cwt函数中计算出小波系数coefs，再把小波变换的尺度序列转换为实际频率序列，最后结合小波变换的时间序列得到一维振动信号的小波时频图。