[发明专利]轴承故障概率分析装置

说明书

本发明涉及一种轴承故障概率分析装置，所述装置包括：概率分析器件，用于基于当前时刻轴承内圈温度、当前时刻轴承外圈温度、当前时刻轴承底座温度、当前时刻噪声幅值、轴承内圈半径、轴承外圈半径以及轴承润滑油粘度采用学习后的卷积神经网络智能预测所述运行状态中的轴承当前时刻之后到设定时长的时间区间内发生轴承故障的概率；学习执行设备，与所述概率分析器件连接，用于获取学习后的卷积神经网络。本发明的轴承故障概率分析装置逻辑可靠、运行智能。由于能够采用定制学习过程的智能模型基于当前时刻的各项轴承数据智能预测未来固定时长轴承发生故障的概率，从而避免轴承关联事故发生。

技术领域

本发明涉及故障检测领域，尤其涉及一种轴承故障概率分析装置。

背景技术

当前，轴承应用于各个应用领域，然而轴承作为易耗件，其故障存在一定的发生概率，一旦发生故障，容易对周围设备乃至整个系统造成重大影响，同时因为轴承本身是一个半封闭式的机械设备，通常埋设在其他设备内部，很难通过人工方式或者视觉监控的方式获取轴承的运行状态以及是否发生故障，以至于发生故障后的轴承仍可能继续运行，由此可见，急需一种电子化的故障概率分析机制，对当前运行的轴承发生故障的概率进行预测，从而为消除故障、保证整个系统的正常运行、避免出现各项相关事故提供重要保证。

现有技术中通常利用算法来检测轴承故障，其中神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近、并行、容错，可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。神经网络普遍用于各种需要提升智能化水准的应用场所。

CN114778113A公开了一种基于单边衰减小波卷积稀疏的轴承故障特征提取方法，该技术方案通过对采集的故障振动信号的本征分析与给定域内的相关性分析，构造与冲击波形最为近似的单边衰减小波，单边衰减小波与振动信号卷积降噪，降低了信号的冗余分量，提取信号的主要冲击特征，实现轴承的故障诊断。

CN114004135A公开了一种基于Transformer神经网络的农机轴承故障类型诊断方法及系统，利用振动加速度传感器采集农机轴承不同测点位置的轴承振动信号；将所述轴承振动信号通过本地局域网传输至本地计算模块，利用时频域特征提取技术和频域特征提取技术对所述轴承振动信号进行特征提取以得到农机轴承特征数据；压缩所述农机轴承特征数据，将压缩后的农机轴承特征数据经无线网传输至远端计算中心；将所述农机轴承特征数据输入到所述远端计算中心的基于Transformer神经网络的农机轴承故障类型诊断模型进行诊断，输出农机轴承的故障类型。

CN113723546A提供了一种基于离散隐马尔可夫模型的轴承故障检测方法和系统，所述方法包括以下步骤：建立离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对待检测轴承数据进行特征提取以得到待检测轴承不同故障类型的特征向量；确定离散隐马尔可夫模型的代码本以得到待检测轴承不同故障类型的观测序列；根据优化算法和待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型；根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待检测轴承进行故障检测。

CN113326782A公开了一种基于包络谱形态拟合的滚动轴承故障特征自动提取方法，先利用振动加速度传感器获得滚动轴承的故障振动信号；再选用AR自回归模型与Morlet小波变换对采集到的故障振动信号进行预处理；然后对故障振动信号作包络谱分析；再通过提取的频率判断滚动轴承故障类型；然后构建拟合曲线，计算拟合曲线与预处理后的包络谱的互相关值；再选取步长，增大拟合曲线的周期，并重复遍历拟合曲线周期取值范围内的有效取值；最后计算最大互相关值对应的故障特征频率，该频率即为自动提取的滚动轴承故障特征频率；该技术方案是通过滚动轴承内圈及滚动体故障特征频率参数的自动提取来进行轴承故障诊断。