[发明专利]一种基于卷积神经网络的滚动轴承性能退化评估方法

说明书

本发明公开了一种基于卷积神经网络的滚动轴承性能退化评估方法，包括步骤S1：数据获取并预处理：对正常状态下的滚动轴承数据做快速傅里叶变换和归一化处理，将此数据作为训练样本，准备输入到卷积神经网络；步骤S2：建立评估模型：将步骤S1处理后所得的训练样本输入到卷积神经网络完成特征自动提取，设置标签为[1，0]，完成卷积神经网络评估模型的构建，并获得滚动轴承的性能退化指标；步骤S3：实时评估：把同一滚动轴承的未知振动信号经过上述训练建立完成的模型，得到性能退化指标，描绘出滚动轴承的性能退化曲线。试验结果表明，所提方法对轴承性能退化各阶段描述准确，且与常用监测指标有效值做性能退化评估方法相比，验证了该方法的有效性和优越性。

技术领域

本发明涉及滚动轴承性能评估领域，特别涉及一种基于卷积神经网络的滚动轴承性能退化评估方法。

背景技术

现代工业通用机械都配备了相当数量的滚动轴承。滚动轴承作为机器中的精密部件极易收到损伤。机械设备发生故障的原因是滚动轴承所引起的，根据不完全统计，滚动轴承作为关键零部件的机械设备中，70％故障是机械振动产生，而轴承的故障就占了30％，因此对滚动轴承进行状态监测掌握其各阶段的性能退化状态是保证机械设备正常运行的关键。

常见的信号特征提取方法有时域分析、频域分析、时频分析和经验小波变换以及结合分析等。William等提出一种用于旋转机械早期检测过零特征提取方法，该方法通过利用连续的过零点之间的时间间隔，直接从时域振动信号提取出过零特征，而不需要估计旋转机械的转动频率。钟先友等提出一种新的时频分析法对振动信号进行降噪，同时提取信号时域和频域的局部信息，降噪的效果较好。陈亚农等在经验模态分解(Empirical ModeDecomposition，EMD)的基础上提出的一种新的自适应时频分析方法局部均值分解(LocalMean Decomposition，LMD)对振动信号进行分解，然后根据分解得到的PF分量提取到时域统计量和能量作为特征参数。以上方法可对滚动轴承退化状态进行表征，但这些传统的退化指标对轴承早期微弱故障不敏感，反映的故障信息不全面，并且由于受到海森堡不确定性原理及交叉项干扰的限制导致这些时频分析方法在实际应用中受到限制。

为了解决这类问题，一些学者将机器学习引入该领域并提出了许多性能退化评估方法，吴义岚等使用主成分分析法(Principal Component Analysis，PCA)对滚动轴承振动信号时域和频域的特征指标进行加权融合，构建了一个可以有效全面描述滚动轴承运行状况的综合特征指标，以支持向量数据描述(Support Vector Data Description，SVDD)为模型，设置健康报警阈值判定轻微故障出现时间。Jiang等利用干扰属性投影(NuisanceAttribute Projection，NAP)可准确提取轴承退化状态特征，结合隐马尔可夫模型(HiddenMarkov Model，HMM)较高的辨别力，较好地反映了轴承是否发生退化以及退化程度，但HMM参数训练中的初始状态数都是依据传统经验设定。吕明珠等先用包络熵确定变分模态分解(Variational Mode Decomposition，VMD)的最优分解层数，再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(Intrinsic Mode Function，IMF)，然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量，结合(Support Vector Machine，SVM)模型，能够识别出轴承的退化状态。然而这些方法都是基于人工进行的特征选取和特征融合，需要大量的先验知识，因此花费了大量的人力和时间成本。

作为机器学习的一个重要分支，深度学习中的CNN在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果，具有重要的分析与研究价值。因其具有强大的特征学习与分类能力而逐渐应用于机器智能故障诊断中。在深度学习方法的研究中，CNN展示了其强大的复杂特征自提取能力，能够实现端到端的识别。