[发明专利]一种智能旋转机械故障深度网络特征辨识方法

摘要

本发明公开了一种智能旋转机械故障深度网络特征辨识方法，通过在列车滚动轴承待检测旋转机械部位设置振动传感器，收集滚动轴承工作时的原始振动序列，然后通过奇异谱分析方法将原始振动序列进行分解重构，并提取重构振动序列的均方根值、标准差、偏度指标和峰值，利用支持向量机训练得到的旋转机械故障位置诊断模型来判断故障位置，然后将重构振动序列进行集合经验模态分解，计算分解后的一组固有模态分量各自的排列熵值，将排列熵值的排列组合作为检测特征，利用支持向量机训练得到的旋转机械故障类型诊断模型来判断故障类型。本发明能更及时地检测出旋转机械的故障位置和故障类型，提高故障诊断的准确性和可靠性。

主权项

1.一种智能旋转机械故障深度网络特征辨识方法，其特征在于，包括以下步骤：步骤1，获取旋转机械的原始振动信号；步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；步骤3，计算重构振动序列的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M；步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量C1(t),C2(t),…Cn(t)，并计算得到各个固有模态分量Ci(t)的排列熵值Hi；步骤5，构建训练样本，训练诊断模型；将旋转机械的原始振动信号对应的均方根值RMSE、标准差SDE、偏度指标Skewness、峰值M和机械故障位置，作为旋转机械的第一训练样本；将旋转机械的原始振动信号对应的各个固有模态分量Ci(t)的排列熵值Hi和机械故障类型，作为旋转机械的第二训练样本；以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型；以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型；步骤6，实时采集待检测旋转机械的原始振动信号，按步骤2‑3获取待检测旋转机械的原始振动信号所对应的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M，并输入到旋转机械故障位置诊断模型，旋转机械故障位置诊断模型输出待检测旋转机械的故障位置；当旋转机械故障位置诊断模型输出的故障位置为无故障，则结束故障检测；否则执行步骤7；步骤7，按步骤4获取待检测旋转机械的重构振动信号所对应的各个固有模态分量Ci(t)的排列熵值Hi，并输入到旋转机械故障类型诊断模型，旋转机械故障类型诊断模型输出待检测旋转机械的故障类型。