[发明专利]轴承故障智能诊断方法、装置、电子设备以及存储介质方法

说明书

本发明实施例公开了一种轴承故障智能诊断方法、装置、电子设备以及存储介质方法，首先基于改进变分模态分解方法分解已采集的轴承振动故障信号，然后计算已分解IMF和原信号的快速谱峭度图提取特征分量进行信号重构，其次基于深度学习与混沌理论对重构信号进行非线性分析，最后将重构的信号分为测试集数据、训练集数据、验证集数据，训练集数据输入神经网络模型进行模型训练，通过验证集数据检验训练效果，通过测试集数据检验测试集数据准确率。解决了不能对轴承早期振动信号的微弱而有效的提取，以及故障诊断的正确率有待提高的问题，从而降低了轴承发生故障造成损失，提高企业的经济效益。

技术领域

本公开涉及滚动轴承故障诊断领域，尤其涉及一种轴承故障智能诊断方法、装置、电子设备以及存储介质方法。

背景技术

随着科学技术的进步，机械设备内部结构越来越复杂，功能越来越强大，智能化水平越来越高。轴承是机械的核心部件。如果机械设备的轴承在运转过程中出现故障，可能导致整个生产过程中断，不但影响企业的经济效益，而且可能危害工作人员的人身安全，甚至带来灾难性的后果。为了避免机械轴承发生故障造成损失，就必须对机械轴承的运行状况进行监测，能够在发生故障之前进行预测出故障或者对早期故障的快速诊断，以便采取相应的措施避免造成重大损失。

目前轴承故障诊断主要方法有基于神经网络、支持向量机等诊断方法。现有的轴承故障诊断方法存在不能对轴承早期振动信号的微弱而有效的提取，以及故障诊断的正确率有待提高的问题。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种轴承故障智能诊断方法、装置、电子设备以及存储介质，解决了不能对轴承早期振动信号的微弱而有效的提取，以及故障诊断的正确率有待提高的问题，从而降低了轴承发生故障造成损失，提高企业的经济效益，降低对工作人员的人身安全危害，减弱灾难性的后果的发生率。

第一方面，本公开实施例提供了轴承故障智能诊断方法，包括：

对已采集的早期振动信号，结合灰狼算法和变分模态分解提出改进变分模态分解方法分解已采集的轴承振动故障信号；

计算采用改进变分模态分解方法的信号IMF和原信号的快速谱峭度图提取特征分量进行信号重构；

基于深度学习与混沌理论构建的神经网络模型对各种轴承故障的重构信号进行非线性分析，对故障进行分类，对故障进行识别；

将重构的信号分为测试集数据、训练集数据、验证集数据，训练集数据输入神经网络模型进行模型训练，通过验证集数据检验训练效果，通过测试集数据检验测试集数据准确率。

结合第一方面的实施例，在一些实施例中，所述对已采集的早期振动信号，结合灰狼算法和变分模态分解提出改进变分模态分解方法分解已采集的轴承振动故障信号，包括：

变分模态分解算法(VMD)，通过求解约束变分问题，不断更新各IMF(本征模态函数)的中心频率ω_k和带宽获得最佳分量，变分模型为

其中，σ(t)为单位脉冲函数，k为模态分解数，j为虚数单位，为偏导运算，f(t)为输人信号，u_k(t)为分解得到的k个IMF分量，t为时间，u_k-IMF分量，ω_k为中心频率；

引入惩罚因子c及拉格朗日乘法算子ε得到扩展拉格朗日表达式，

其中，c为惩罚因子，λ为Lagrange乘子；