[发明专利]基于CNN彩色特征图的额定运转时轴承故障识别法

摘要

基于CNN彩色特征图的额定运行时轴承故障类别识别法属于单源故障识别领域，其特征在于：(1)把按周期采集的各采样点振幅序列转换成故障源采样点上的时变振幅值序列；(2)按最大振幅值最接近的原则从八类轴承故障样本中找到候选故障样本，标志其故障类别；(3)用一个变偏置变权重的卷积函数，按样本振幅特征值序列和故障源实测振幅值序列间的对应采样时刻的像素值之差像素值变化率之差在误差允许范围内的方法找出实测故障振幅特征值序列，及相应的彩色特征图；(4)按色彩相似度值最接近的原则从同类故障样本中找到一个待定的故障样本；(5)用待定故障样本预置的故障特征频率与用谐波分析软件从故障实测彩色特征图求得的故障特征频率比较，若在误差允许范围内，则轴承类别确定。本发明精度高，耗时少，可视性强。

主权项

1.基于CNN彩色特征图的额定运转时轴承故障类别识别法，其特征在于，是一种基于三轴加速度传感器和CNN网络的轴承振动故障振幅特征值序列的彩色特征图的单源故障类别识别方法，是在一个轴承故障计算机分类识别系统，以下简称系统中依此按以下步骤实现的：步骤(1)构建系统：所述系统包括：三轴加速度传感器以下简称传感器、与轴承座同轴嵌装的轴承以及计算机，其中：传感器，其探头与机器轴承座上表面的几何中心点相接触，从轴承外圈表面上对应于所述探头的点作为轴承内圈作圆周运动时的采样计时起点，则所述传感器便按采样周期序号串联输出任一个采样时长内以采样周期为单位采集到的对应于以各采样点的实测故障振幅值序列，简称各采样点的实测振幅值序列，计算机，设有：存储模块、数据预处理模块、基于实测故障的振幅特征值序列的CNN彩色特征图形成模块，简称实测故障源的CNN彩色特征图形成模块，轴承故障类别识别模块以及CPU其中：存储模块，预置有以下参数：八类轴承故障工况：轴承内、外圈及滚动体表面的划痕，滚动疲劳引起的内、外圈及滚动体的表面剥落，风扇主轴因质量分布不均导致的静、动态不平衡，轴承故障样本群，包括所述八类故障的样本，每一类故障样本是在轴承座与机座固接且在轴承额定运行状态下得到的，设有：样本的故障振幅的特征值序列以及相应的彩色特征图，供轴承故障类别检索用的轴承类别索引符，优先采用：<轴承类别、型号、规格>表示，次优用轴承类别表示，实测故障的振幅特征值序列的彩色特征图与样本故障振幅值序列的彩色特征图的相似度值的允许误差范围，实测故障源的故障特征频率与样本故障源的特征频率的误差允许范围，数据预处理模块，把在一个采样时长内从所述传感器上采到的各采样点上按采样周期序号采集的实测故障振幅值序列转换为并联输出的对应于故障源处的采样点上采集的故障源振幅值序列，步骤如下：第1步，从并联输入的各所述实测故障振幅值序列中找出较大的一个序列，共P个，P为采样点数；第2步，从P个较大的所述序列中，找出其中起始振幅值即冲击波最大的一个序列，即为从故障源处采样点上采集到的实测故障振幅特征值序列；基于故障源的实测振幅值序列的CNN彩色特征图形成模块，步骤如下：第1步，寻找所述八类轴承故障样本群中是否有与待测轴承类别检索符相同的轴承故障样本：在把故障源实测振幅值序列输入到CNN网络输入层的同时，执行以下步骤：若：有，执行步骤(2.1)步骤(2.1)从与所述轴承类别检索符相同的轴承故障样本中，从各自对应的CNN彩色特征图的样本故障振幅特征值序列中找出与所述故障源的实测振幅值序列中的最大振幅值数值上较接近的轴承故障样本，较接近是指起始时的两个最大振幅值之差最小，简称候选故障样本，并标志故障类别，转第2步若：没有，对轴承类别检索符不同的轴承故障样本用步骤(2.1)的方法找到所述的候选故障样本，转第2步，第2步，用实测时采用的采样方法对所述候选故障样本的样本故障振幅特征值序列进行采样，时刻t在样本故障源采样点p’上采到的像素值标示为X_p’.t，用同样方法对所述实测故障的振幅值序列进行采样，得到时刻t，在各采样点p上采到的像素值标志为X_p.t的振幅值序列，第3步，从第2步中的结果中求出在相邻两个采样时刻分别对应于实测数据和样本数据的两个像素值变化率，表示为：其中，X_p.t值待定，把所述的两个像素值变化率数据送往第一卷积层；第4步，构造一个用于各卷积层k的变偏置值、变权重值的卷积函数，表示如下：e₁为相邻两个采样时刻(t‑1),(t)间，为在实测故障的采样点p上采集到的像素值的变化率与在样本采样点p’上采集到的像素值的变化率之差的允许误差，e₁在[‑0.1,+0.1]取值,e₂为在相同的采样时刻t上，实测像素值x_p.k.t和样本像素值x_p'.k.t之差的允许范围，e₂在采样时刻t的样本像素值x_p'.k.t的±5％的闭区间内取值,w_(k‑1)为对应采样时刻(t‑1)时所述卷积层(k‑1)的权重是一个时变量，k是卷积层符号,k＝k₁,k₂,...,k_K，K为卷积层数所述卷积函数表示：如何选择各卷积层的权重w_(k‑1)使得基于故障源的实测振幅值的CNN彩色特征图中表征波形变化的各相邻采样时刻间的像素值变化率以及表征同一采样时刻内样本像素值与实测像素值之差这两个参数能满足为各自设定的允许误差范围第5步，把第4步得到的对应于各采样时刻的实测振幅特征值X_p.t序列输入到全连接层实行全连接后，经输出层输出实测故障源的CNN彩色特征图轴承故障类别识别模块，依次按以下步骤确认待测轴承的故障类别：步骤(1)：逐个计算所述实测故障源的CNN彩色特征图与同一类别所有故障样本的故障源的CNN彩色特征图之间的色彩相似度值并找出相似度值最大的一个故障样本，称为待定故障样本，标志上其故障类别步骤(2)：从所述待定故障样本中找到预置的故障特征频率步骤(3)：用MATLAB工具箱中的谐波计算程序从实测故障源CNN彩色特征图及实测振幅特征值序列中的最大振幅值中找出故障源的特征频率，与步骤(2)的结果比较，若误差在允许范围内，则轴承故障类别确定CPU依次按以下步骤判别轴承故障类别：步骤(2.1)在CPU控制下存储模块初始化步骤(2.2)三轴加速度的传感器按设定的采样时长、采样周期、采样区间的序号在轴承座表面几何中心点，采集在一个采样时长内，按采样周期的序号依次在各采样点上得到的轴承在额定运动状态下出现故障时的振幅值，并以串联方式输入预处理模块，步骤(2.3)预处理模块在CPU控制下在一个采样时长内输出对应于故障源位置的采样点p上采集到的故障源振幅值序列，输入到所述基于故障源的实测振幅值序列的CNN彩色特征图形成模块步骤(2.4)在CPU控制下，所述基于故障源的实测振幅值序列的CNN彩色特征图形成模块输出基于实测振幅特征值序列的实测故障源的CNN彩色特征图，同时把所述实测振幅特征值序列的对应的彩色特征图输入到轴承故障类别识别模块步骤(2.5)在CPU控制下，所述轴承故障类别识别模块输出故障类别。