[发明专利]基于轴承故障诊断模型的诊断方法、装置、电子设备

说明书

本申请实施例提供了一种基于轴承故障诊断模型的诊断方法、装置、电子设备，属于机械故障诊断技术领域。该方法包括：采集轴承振动的检测数据集，得到轴承状态目标数据集；根据轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；根据第一分解优化参数，将轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；采用预设的斜率熵方法对每一第一固有模态分量进行特征提取，得到每一第一固有模态分量的轴承特征数据；将轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。本申请实施例能够提高轴承故障关键特征提取的有效性，从而提高故障诊断的准确率和稳定性。

技术领域

本申请涉及机械故障诊断技术领域，特别涉及一种基于轴承故障诊断模型的诊断方法、装置、电子设备。

背景技术

滚动轴承作为重要的机械零件被广泛应用于各种类型的工业设备。滚动轴承的内圈、外圈、滚动体等关键部件故障时会严重影响生产精度和生产效率，甚至引发安全事故。对轴承工作状态进行健康状态监测，及时发现轴承故障并进行有效定位，对轴承日常维护、提高生产质量、效益和生产安全具有重要意义。轴承故障诊断是通过采集轴承的振动信号或声发射信号等，从信号中提取轴承不同状态的特征量，通过智能分类器实现故障识别。

现有的滚动轴承故障诊断方法主要包含特征提取和分类这两个步骤。常用的特征提取方法有小波变换(WT)、经验模态分解(EMD)、局部均值分解(LMD)和变分模态分解(VMD)等；分类方法有人工神经网络(ANN)、反向传播神经网络(BPNN)和支持向量机(SVM)等。轴承振动信号的特征提取结果严重影响支持向量机的分类效果，然而，变分模态分解算法中分解参数的选择对算法结果影响很大，但准确选择分解参数是困难的，影响轴承故障诊断的准确率。

发明内容

本申请实施例的主要目的在于提出一种基于轴承故障诊断模型的诊断方法、装置、电子设备，旨在提高轴承故障关键特征提取的有效性，从而提高故障诊断的准确率和稳定性。

为实现上述目的，本申请实施例的第一方面提出了一种基于轴承故障诊断模型的诊断方法，所述方法包括：

采集轴承振动的检测数据集，得到轴承状态目标数据集；

根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数；

根据所述第一分解优化参数，将所述轴承状态目标数据集输入至变分模态分解模型进行分解，得到第一固有模态分量；

采用预设的斜率熵方法对每一所述第一固有模态分量进行特征提取，得到每一所述第一固有模态分量的轴承特征数据；

将所述轴承特征数据输入至预设的轴承故障诊断模型进行诊断识别，得到轴承故障类型。

在一些实施例，所述根据所述轴承状态目标数据集对预设的变分模态分解模型的分解参数进行优化，得到第一分解优化参数，包括：

初始化樽海鞘群，将每个樽海鞘的位置设置随机的分解参数；其中，所述分解参数包括分解数量和惩罚因子；

将所述樽海鞘的位置作为分解参数，对所述轴承振动数据集进行变分模态分解，得到若干个第二固有模态分量；

以相邻两个所述第二固有模态分量为一组，分别计算每组所述第二固有模态分量的互信息，并根据所述互信息，确定所述樽海鞘的适应度数据；

根据所述适应度数据，更新所述樽海鞘群并确定食物位置；

根据更新后的所述樽海鞘群重新进行变分模态分解优化，更新所述食物位置，直到满足迭代终止条件；

当满足迭代终止条件，将所述樽海鞘群的食物位置作为所述第一分解优化参数。