一種滾動(dòng)軸承故障的診斷方法
【專利摘要】本發(fā)明公開(kāi)了一種滾動(dòng)軸承故障的診斷方法，包括以下步驟：S1：采集所述滾動(dòng)軸承的加速度信號(hào)；S2：結(jié)合采用離散小波變換方法和軟閾值方法，對(duì)所述加速度信號(hào)進(jìn)行去噪處理；S3：對(duì)去噪處理后的所述加速度信號(hào)的時(shí)間序列進(jìn)行分割，提取樣本；S4：通過(guò)兩個(gè)以上的自編碼網(wǎng)絡(luò)構(gòu)造堆棧自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征信息；S5：利用所述樣本的特征信息訓(xùn)練至少一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器；S6：根據(jù)采用已知故障數(shù)據(jù)對(duì)至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練以建立的故障診斷模型，確定所述滾動(dòng)軸承的故障信息。本發(fā)明提出的滾動(dòng)軸承故障的診斷方法，大大提高了故障診斷的準(zhǔn)確率。
【專利說(shuō)明】
一種滾動(dòng)軸承故障的診斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及機(jī)械自動(dòng)化領(lǐng)域，尤其涉及一種滾動(dòng)軸承故障的診斷方法。
【背景技術(shù)】
[0002] 滾動(dòng)軸承一直是機(jī)械設(shè)備中的核心部件，同時(shí)又是最容易發(fā)生故障的部件之一； 滾動(dòng)軸承一旦發(fā)生故障，會(huì)對(duì)整個(gè)機(jī)械設(shè)備造成不利的影響。因此，設(shè)計(jì)準(zhǔn)確、高效的滾動(dòng) 軸承故障診斷方法，快速準(zhǔn)確地診斷出軸承故障發(fā)生的位置、幅度大小，并對(duì)故障采取有效 的處理方式，對(duì)于保障機(jī)械設(shè)備的正常安全運(yùn)行具有重要意義。
[0003] 目前滾動(dòng)軸承故障的診斷方法有很多，主要可以分為基于聲信號(hào)處理方法、振動(dòng) 信號(hào)檢測(cè)的方法、加速度信號(hào)處理方法等等，這些方法的效果很大程度上取決于對(duì)采集的 真實(shí)數(shù)據(jù)的預(yù)處理能力和特征提取的能力;但是現(xiàn)有技術(shù)中對(duì)采集的數(shù)據(jù)的處理能力有限 導(dǎo)致最終的故障的診斷結(jié)果的準(zhǔn)確率大大降低。

【發(fā)明內(nèi)容】

[0004] 為解決上述技術(shù)問(wèn)題，本發(fā)明提出一種滾動(dòng)軸承故障的診斷方法，不僅大大提高 了故障診斷的準(zhǔn)確率，而且方法簡(jiǎn)單、易于操作。
[0005] 為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：
[0006] 本發(fā)明公開(kāi)了一種滾動(dòng)軸承故障的診斷方法，包括以下步驟：
[0007] S1:采集所述滾動(dòng)軸承的加速度信號(hào)；
[0008] S2:結(jié)合采用離散小波變換方法和軟閾值方法，對(duì)所述加速度信號(hào)進(jìn)行去噪處理；
[0009] S3:對(duì)去噪處理后的所述加速度信號(hào)的時(shí)間序列進(jìn)行分割，提取樣本；
[0010] S4:通過(guò)兩個(gè)以上的自編碼網(wǎng)絡(luò)構(gòu)造堆棧自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征 信息；
[0011] S5:利用所述樣本的特征信息訓(xùn)練至少一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器；
[0012] S6:根據(jù)采用已知故障數(shù)據(jù)對(duì)至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練以建立的 故障診斷模型，確定所述滾動(dòng)軸承的故障信息。
[0013] 優(yōu)選地，步驟S6具體包括:將所述滾動(dòng)軸承執(zhí)行步驟S1~S5訓(xùn)練的至少一個(gè)所述 BP神經(jīng)網(wǎng)絡(luò)分類器，與采用已知故障數(shù)據(jù)的所述滾動(dòng)軸承執(zhí)行步驟S1~S5訓(xùn)練至少一個(gè)所 述BP神經(jīng)網(wǎng)絡(luò)分類器以建立的故障診斷模型進(jìn)行對(duì)比，確定所述滾動(dòng)軸承的故障信息。
[0014]優(yōu)選地，建立所述故障診斷模型中的步驟S1中的所述滾動(dòng)軸承包括帶負(fù)載和不帶 負(fù)載的已知故障數(shù)據(jù)的滾動(dòng)軸承。
[0015] 優(yōu)選地，步驟S2具體包括：
[0016] S21:采用db5小波對(duì)隨時(shí)間變化的加速度信號(hào)序列f(t)進(jìn)行小波變換，分別得到 2"分辨率下的粗糙像系數(shù)Cjk和細(xì)節(jié)系數(shù) Djk;
[0017] S22:保留所述粗糙像系數(shù)Cj,k，對(duì)于所述細(xì)節(jié)系數(shù)h,k，采用軟閾值方法進(jìn)行處理， 所述軟閾值方法的計(jì)算公式為：
[0018]
[0019] 其中，sgn()是符號(hào)函數(shù)，閾值λ的取值為fi^logA/，δ為信號(hào)的標(biāo)準(zhǔn)差，N為信號(hào)的 長(zhǎng)度；
[0020] S23:再采用小波逆變換將頻域信號(hào)轉(zhuǎn)換回時(shí)域的時(shí)間序列信號(hào)，以完成對(duì)所述加 速度信號(hào)的去噪處理，其中小波逆變換的計(jì)算公式為：
[0021]
[0022]優(yōu)選地，步驟S3具體包括：以A個(gè)時(shí)間點(diǎn)作為一個(gè)單位樣本，以B的重疊率，對(duì)Μ個(gè)加 速度信號(hào)點(diǎn)進(jìn)行分割，提取到η個(gè)所述樣本，其中Α、Μ、η為正整數(shù)。
[0023] 優(yōu)選地，Β的取值范圍為0〈Β〈100%。
[0024] 優(yōu)選地，Α、Β、Μ、η的取值滿足Α+(η-1)Α*(1-Β)=Μ關(guān)系式的要求。
[0025] 優(yōu)選地，步驟S4中是通過(guò)兩個(gè)自編碼網(wǎng)絡(luò)構(gòu)造堆棧自編碼網(wǎng)絡(luò)框架，提取所述樣 本的特征信息，具體包括：
[0026] S41:第一個(gè)自編碼網(wǎng)絡(luò)采用[A Ε Α]的結(jié)構(gòu)，其中Ε>Α，輸入是Α維的樣本向量，隱 藏節(jié)點(diǎn)數(shù)為E，輸出維數(shù)是A維，通過(guò)所述第一個(gè)自編碼網(wǎng)絡(luò)得到所述樣本的稀疏表達(dá)特征； [0027] S42:第二個(gè)自編碼網(wǎng)絡(luò)采用[E F E]的結(jié)構(gòu)，其中F〈A，所述第二個(gè)自編碼網(wǎng)絡(luò)的 輸入是所述樣本的稀疏表達(dá)特征，通過(guò)所述第二個(gè)自編碼網(wǎng)絡(luò)得到所述樣本稀疏表達(dá)特征 的壓縮特征信息；
[0028] S43:將所述第一個(gè)自編碼網(wǎng)絡(luò)和所述第二個(gè)自編碼網(wǎng)絡(luò)結(jié)合在一起，構(gòu)成結(jié)構(gòu)為
[A E F]的堆棧自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征信息。
[0029]優(yōu)選地，步驟S5中所述BP神經(jīng)網(wǎng)絡(luò)分類器的數(shù)量大于或等于5個(gè)。
[0030] 優(yōu)選地，步驟S6中所述滾動(dòng)軸承的故障信息還根據(jù)神經(jīng)網(wǎng)絡(luò)集成技術(shù)以及相對(duì)多 數(shù)投票法則來(lái)確定。
[0031] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于:本發(fā)明滾動(dòng)軸承故障的診斷方法中，首 先結(jié)合采用離散小波變換方法和軟閾值方法，充分考慮滾動(dòng)軸承機(jī)械系統(tǒng)中加速度信號(hào)的 非線性、非平穩(wěn)性、隨機(jī)性、噪聲干擾等因素，完成對(duì)數(shù)據(jù)有效的預(yù)處理;然后利用深度學(xué)習(xí) 堆棧自編碼框架進(jìn)行特征提取，對(duì)噪聲具有較強(qiáng)的抑制作用，保證了數(shù)據(jù)的可靠性，為后續(xù) BP神經(jīng)網(wǎng)絡(luò)分類器，提高故障診斷效率奠定基礎(chǔ);最后再利用BP神經(jīng)網(wǎng)絡(luò)分類器并根據(jù)采 用已知數(shù)據(jù)訓(xùn)練的故障診斷模型來(lái)確定滾動(dòng)軸承的故障信息，大大提高了故障診斷的準(zhǔn)確 率，從而實(shí)現(xiàn)對(duì)滾動(dòng)軸承準(zhǔn)確、高效的故障診斷;本發(fā)明的滾動(dòng)軸承故障的診斷方法，先采 用已知故障數(shù)據(jù)的滾動(dòng)軸承的加速度信號(hào)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器來(lái)建立故障診斷模型，然 后將未知故障數(shù)據(jù)的滾動(dòng)軸承的加速度信號(hào)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類器與故障診斷模型進(jìn) 行對(duì)比，判斷出滾動(dòng)軸承的故障信息，方法簡(jiǎn)單、易于操作。
[0032] 在優(yōu)選的方案中，步驟S4中通過(guò)兩個(gè)自編碼網(wǎng)絡(luò)構(gòu)造堆棧自編碼網(wǎng)絡(luò)框架，先通 過(guò)稀疏表達(dá)進(jìn)一步在小波基礎(chǔ)上抑制噪聲，然后再通過(guò)壓縮表達(dá)來(lái)提取樣本的特征，從而 更進(jìn)一步地提高訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器的樣本的準(zhǔn)確性。
[0033] 在優(yōu)選的方案中，在步驟S5中訓(xùn)練多個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器，再在步驟S6中根據(jù)神 經(jīng)網(wǎng)絡(luò)集成技術(shù)和相對(duì)多數(shù)投票法則來(lái)確定滾動(dòng)軸承的故障信息，進(jìn)一步提高滾動(dòng)軸承故 障的診斷方法的準(zhǔn)確性。
【附圖說(shuō)明】
[0034] 圖1是本發(fā)明實(shí)施例的滾動(dòng)軸承的診斷方法流程圖；
[0035] 圖2是本發(fā)明優(yōu)選實(shí)施例的滾動(dòng)軸承故障的診斷方法流程圖；
[0036] 圖3是本發(fā)明優(yōu)選實(shí)施例的診斷方法中對(duì)加速度信號(hào)的時(shí)間序列進(jìn)行分割的示意 圖；
[0037] 圖4是本發(fā)明優(yōu)選實(shí)施例的診斷方法中構(gòu)造堆棧自編碼網(wǎng)絡(luò)框架示意圖；
[0038] 圖5是本發(fā)明優(yōu)選實(shí)施例的故障診斷結(jié)果的示意圖。
【具體實(shí)施方式】
[0039] 下面對(duì)照附圖并結(jié)合優(yōu)選的實(shí)施方式對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0040] 如圖1所示，本發(fā)明的實(shí)施例公開(kāi)了一種滾動(dòng)軸承故障的診斷方法，包括以下步 驟：
[0041] S1:采集所述滾動(dòng)軸承的加速度信號(hào)；
[0042] S2:結(jié)合采用離散小波變換方法和軟閾值方法，對(duì)所述加速度信號(hào)進(jìn)行去噪處理；
[0043] S3:對(duì)去噪處理后的所述加速度信號(hào)的時(shí)間序列進(jìn)行分割，提取樣本；
[0044] S4:通過(guò)兩個(gè)以上的自編碼網(wǎng)絡(luò)構(gòu)造堆棧自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征 信息；
[0045] S5:利用所述樣本的特征信息訓(xùn)練至少一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器；
[0046] S6:根據(jù)采用已知故障數(shù)據(jù)對(duì)至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練以建立的 故障診斷模型，確定所述滾動(dòng)軸承的故障信息。
[0047] 在進(jìn)一步的實(shí)施例中，步驟S6具體包括:將所述滾動(dòng)軸承執(zhí)行步驟S1~S5訓(xùn)練的 至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器，與采用已知故障數(shù)據(jù)的所述滾動(dòng)軸承執(zhí)行步驟S1~S5訓(xùn) 練至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器以建立的故障診斷模型進(jìn)行對(duì)比，確定所述滾動(dòng)軸承的 故障信息。
[0048] 在進(jìn)一步的實(shí)施例中，建立所述故障診斷模型中的步驟S1中的所述滾動(dòng)軸承包括 帶負(fù)載和不帶負(fù)載的已知故障數(shù)據(jù)的滾動(dòng)軸承。
[0049] 在進(jìn)一步的實(shí)施例中，步驟S2具體包括：
[0050] S21:采用db5小波對(duì)隨時(shí)間變化的加速度信號(hào)序列f(t)進(jìn)行小波變換，分別得到 2"分辨率下的粗糙像系數(shù)Cjk和細(xì)節(jié)系數(shù) Djk;
[0051] S22:保留大尺度低分辨率下的粗糙像系數(shù)Cj,k，對(duì)于小尺度高分辨率下的細(xì)節(jié)系 數(shù)D^，采用軟閾值方法進(jìn)行處理，所述軟閾值方法的計(jì)算公式為：
[0052]
[0053] 其中，sgn()是符號(hào)函數(shù)，閾值λ的取值為l〇gi￥> δ為信號(hào)的標(biāo)準(zhǔn)差，Ν為信號(hào)的 長(zhǎng)度；
[0054] S23:再采用小波逆變換將頻域信號(hào)轉(zhuǎn)換回時(shí)域的時(shí)間序列信號(hào)，以完成對(duì)所述加 速度信號(hào)的去噪處理，其中小波逆變換的計(jì)算公式為：
[0055]
[0056] 在進(jìn)一步的實(shí)施例中，步驟S3具體包括：以A個(gè)時(shí)間點(diǎn)作為一個(gè)單位樣本，以B的重 疊率，對(duì)Μ個(gè)加速度信號(hào)點(diǎn)進(jìn)行分割，提取到η個(gè)所述樣本，其中A、M、n為正整數(shù)。
[0057] 在進(jìn)一步的實(shí)施例中，B的取值范圍為0〈B〈100%。
[0058]在進(jìn)一步的實(shí)施例中，A、B、M、n的取值滿足A+(n-l)A*(l-B)=M關(guān)系式的要求。 [0059]在進(jìn)一步的實(shí)施例中，步驟S4中是通過(guò)兩個(gè)自編碼網(wǎng)絡(luò)構(gòu)造堆棧自編碼網(wǎng)絡(luò)框 架，提取所述樣本的特征信息，具體包括：
[0060] S41:第一個(gè)自編碼網(wǎng)絡(luò)采用[A E A]的結(jié)構(gòu)，其中E>A，輸入是A維的樣本向量，隱 藏節(jié)點(diǎn)數(shù)為E，輸出維數(shù)是A維，通過(guò)所述第一個(gè)自編碼網(wǎng)絡(luò)得到所述樣本的稀疏表達(dá)特征； [0061 ] S42:第二個(gè)自編碼網(wǎng)絡(luò)采用[E F E]的結(jié)構(gòu)，其中F〈A，所述第二個(gè)自編碼網(wǎng)絡(luò)的 輸入是所述樣本的稀疏表達(dá)特征，通過(guò)所述第二個(gè)自編碼網(wǎng)絡(luò)得到所述樣本稀疏表達(dá)特征 的壓縮特征信息；
[0062] S43:將所述第一個(gè)自編碼網(wǎng)絡(luò)和所述第二個(gè)自編碼網(wǎng)絡(luò)結(jié)合在一起，構(gòu)成結(jié)構(gòu)為
[A E F]的堆棧自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征信息。
[0063]在進(jìn)一步的實(shí)施例中，步驟S5中所述BP神經(jīng)網(wǎng)絡(luò)分類器的數(shù)量大于或等于5個(gè)。
[0064] 在進(jìn)一步的實(shí)施例中，步驟S6中所述滾動(dòng)軸承的故障信息還根據(jù)神經(jīng)網(wǎng)絡(luò)集成技 術(shù)以及相對(duì)多數(shù)投票法則來(lái)確定。
[0065] 本發(fā)明的滾動(dòng)軸承故障的診斷方法在使用過(guò)程中，需要先采集已知故障數(shù)據(jù)的滾 動(dòng)軸承的加速度信號(hào)執(zhí)行后執(zhí)行步驟S2~步驟S5來(lái)訓(xùn)練至少一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器以建 立故障診斷模型，建立了故障診斷模型后，可以將新的未知是否發(fā)生故障的滾動(dòng)軸承的加 速度信號(hào)采集出來(lái)，再按照步驟S2進(jìn)行信號(hào)的去噪預(yù)處理，按照步驟S3提取樣本，利用步驟 S4中訓(xùn)練好的堆棧自編碼網(wǎng)絡(luò)框架提取樣本的特征信息，利用步驟S5中訓(xùn)練好的多個(gè)BP神 經(jīng)網(wǎng)絡(luò)進(jìn)行分類，最后利用S6中的神經(jīng)網(wǎng)絡(luò)集成方法和相對(duì)多數(shù)投票法則，確定未知是否 發(fā)生故障的滾動(dòng)軸承的最終的故障類型。
[0066] 下述采用本發(fā)明的優(yōu)選實(shí)施例的滾動(dòng)軸承故障的診斷方法來(lái)對(duì)滾動(dòng)軸承的已知 故障數(shù)據(jù)來(lái)建立故障診斷模型，并采用滾動(dòng)軸承的已知故障數(shù)據(jù)來(lái)對(duì)本發(fā)明的優(yōu)選實(shí)施例 的滾動(dòng)軸承故障的診斷方法進(jìn)行驗(yàn)證。
[0067] 本發(fā)明優(yōu)選實(shí)施例中同時(shí)采集機(jī)械系統(tǒng)在帶負(fù)載和不帶負(fù)載兩種情況下的滾動(dòng) 軸承的加速度信號(hào)，以完成滾動(dòng)軸承損壞部位的確定和故障幅度大小的確定。滾動(dòng)軸承發(fā) 生故障的部位分為外圈、內(nèi)圈和鋼球三個(gè)位置，下述分別對(duì)三種尺寸的滾動(dòng)軸承的故障進(jìn) 行設(shè)定，故障幅度的大小包括0.007英寸、0.014英寸、0.021英寸三種類型，為了說(shuō)明本發(fā)明 的滾動(dòng)軸承故障的診斷方法的有效性，下述同時(shí)采集了滾動(dòng)軸承未發(fā)生故障的健康狀態(tài)下 的加速度信號(hào)，與故障情況下的加速度信號(hào)對(duì)比進(jìn)行處理；以保證本發(fā)明提出的滾動(dòng)軸承 故障的診斷方法可以檢測(cè)滾動(dòng)軸承是否處于健康狀態(tài)，如果滾動(dòng)軸承發(fā)生故障，能夠進(jìn)一 步確定滾動(dòng)軸承故障的大小和位置。故障測(cè)試數(shù)據(jù)分別取自滾動(dòng)軸承內(nèi)圈、鋼球和外圈三 個(gè)位置，其中不帶負(fù)載的情況下，每個(gè)位置上故障大小有三種，加上正常數(shù)據(jù)，一共是3*3+1 =10類;考慮負(fù)載的情況下也同樣是10類，總共有20類加速度信號(hào)數(shù)據(jù)。采樣率為12kHz，電 機(jī)轉(zhuǎn)速大約是1700r/min，每類數(shù)據(jù)的采樣點(diǎn)為120000個(gè)左右，其中故障類型及健康狀態(tài)數(shù) 據(jù)類別如下表1所示。
[0068] 表1測(cè)試數(shù)據(jù)的故障類型及健康狀態(tài)數(shù)據(jù)類別
[0069]
[0071] 如圖2所示，本發(fā)明優(yōu)選實(shí)施例的滾動(dòng)軸承故障的診斷方法流程圖包括：
[0072] S101:在滾動(dòng)軸承機(jī)械設(shè)備上布置加速度傳感器，分別在機(jī)械設(shè)備帶負(fù)載和不帶 負(fù)載的上述已知的故障及健康狀態(tài)下，采集滾動(dòng)軸承的加速度信號(hào)。
[0073] S102:結(jié)合采用離散小波變換方法和軟閾值方法，對(duì)發(fā)生故障的滾動(dòng)軸承加速度 信號(hào)進(jìn)行去噪處理，提高加速度信號(hào)的可靠性;具體包括:假設(shè)隨時(shí)間變化的加速度信號(hào)序 列為f(t)，采用db5小波進(jìn)行小波變換分別得到21分辨率下的粗糙像系數(shù)和細(xì)節(jié)系數(shù) DJ>k，根據(jù)小波去噪的基本原理，經(jīng)小波分解后，信號(hào)的小波系數(shù)幅值大于噪聲的小波系數(shù) 幅值。將信號(hào)在各尺度下進(jìn)行小波變換，保留大尺度(低分辨率)下的全部粗糙像系數(shù)C J>k， 對(duì)于小尺度(高分辨率)下的細(xì)節(jié)系數(shù)Dj,k，采用軟閾值方法，對(duì)系數(shù)進(jìn)行處理。其中軟閾值 方法就是把絕對(duì)值大于某一閾值λ的小波細(xì)節(jié)系數(shù)h, k做減去閾值λ處理，把小于閾值λ的系 數(shù)置為零，計(jì)算方法如下：
[0074]
[0075] 其中，sgn()是符號(hào)函數(shù)，閾值λ的取值為^21(^^/，δ為信號(hào)的標(biāo)準(zhǔn)差，Ν為信號(hào)的 長(zhǎng)度;完成小波系數(shù)的處理，再采用小波逆變換：
[0076]
[0077]將頻域信號(hào)轉(zhuǎn)換回時(shí)域的時(shí)間序列信號(hào)，以完成對(duì)所述加速度信號(hào)的去噪處理。 基于軟閾值方法得到的信號(hào)的估計(jì)值在最小均方誤差意義下是有效的。
[0078] S103:以600個(gè)時(shí)間點(diǎn)為一個(gè)單位樣本，以50%的重疊率，對(duì)每類數(shù)據(jù)的120000個(gè) 加速度信號(hào)點(diǎn)進(jìn)行分割，得到每類數(shù)據(jù)的信號(hào)樣本，其中具體的單位樣本的時(shí)間點(diǎn)數(shù)、總的 時(shí)間點(diǎn)數(shù)以及重疊率可以根據(jù)情況進(jìn)行調(diào)整選擇，以單位樣本的時(shí)間點(diǎn)數(shù)可以被總的時(shí)間 點(diǎn)數(shù)整除且為50%的重疊率為最優(yōu)選。結(jié)合圖3,具體分割方式如下：將第1個(gè)時(shí)間點(diǎn)到第 600個(gè)時(shí)間點(diǎn)之間對(duì)應(yīng)的數(shù)據(jù)取出，構(gòu)成一個(gè)600維的向量作為第一個(gè)信號(hào)樣本，基于50% 的重疊率，將第301個(gè)時(shí)間點(diǎn)到第900個(gè)時(shí)間點(diǎn)之間對(duì)應(yīng)的數(shù)據(jù)取出，構(gòu)成一個(gè)600維的向量 作為第二個(gè)信號(hào)樣本，以此類推直到將120000個(gè)時(shí)間點(diǎn)的數(shù)據(jù)全部取出為止。針對(duì)表1中的 每一類樣本，樣本數(shù)為399，總共有20類，一共的樣本數(shù)為7980。
[0079] 本優(yōu)選實(shí)施例中將其中的7180個(gè)樣本作為訓(xùn)練樣本，來(lái)訓(xùn)練后續(xù)的自編碼網(wǎng)絡(luò)和 ΒΡ神經(jīng)網(wǎng)絡(luò)分類器以建立故障診斷模型，并將剩余的800個(gè)樣本作為測(cè)試樣本，以驗(yàn)證本發(fā) 明的故障診斷方法的有效性。
[0080] S104:基于深度學(xué)習(xí)思想，利用自編碼網(wǎng)絡(luò)，構(gòu)造雙層堆棧自編碼網(wǎng)絡(luò)框架，提取 樣本特征信息，自編碼網(wǎng)絡(luò)嘗試逼近一個(gè)恒等函數(shù)，也就是使網(wǎng)絡(luò)的輸出向量f接近于輸入 向量X。如圖4所示，第一個(gè)自編碼網(wǎng)絡(luò)采用[600 900 600]的網(wǎng)絡(luò)結(jié)構(gòu)，輸入是600維的樣本 向量，隱藏節(jié)點(diǎn)數(shù)為900,輸出維數(shù)是600維，盡量還原輸入樣本值。這樣就迫使自編碼網(wǎng)絡(luò) 去學(xué)習(xí)輸入數(shù)據(jù)的稀疏性表示，通過(guò)從600維到900維的維數(shù)增加，完成樣本值的稀疏表達(dá)。 第二個(gè)自編碼網(wǎng)絡(luò)結(jié)構(gòu)為[900 500 900]，輸入是900維，隱藏節(jié)點(diǎn)是500維，輸出維數(shù)為900 維，其中將第一個(gè)自編碼網(wǎng)絡(luò)的隱藏層的向量，也就是樣本的稀疏表達(dá)特征作為第二個(gè)自 編碼網(wǎng)絡(luò)的輸入;這樣就迫使第二個(gè)自編碼網(wǎng)絡(luò)去學(xué)習(xí)稀疏樣本的壓縮特征信息，通過(guò)從 900維壓縮至500維完成了特征的提取。將第二個(gè)自編碼網(wǎng)絡(luò)隱藏層的500維向量，作為原 600維樣本向量的特征信息，最終將訓(xùn)練好的兩個(gè)自編碼網(wǎng)絡(luò)合在一起，構(gòu)成堆棧自編碼網(wǎng) 絡(luò)框架，網(wǎng)絡(luò)結(jié)構(gòu)為[600 900 500]，先通過(guò)稀疏表達(dá)進(jìn)一步在小波基礎(chǔ)上抑制噪聲，再通 過(guò)壓縮表示，提取樣本的特征。
[0081] S105:利用故障模式和健康模式下的所有訓(xùn)練樣本特征信息和相應(yīng)的樣本類別標(biāo) 簽，對(duì)多個(gè)3層BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行有監(jiān)督的訓(xùn)練。本優(yōu)選實(shí)施例中分別對(duì)同時(shí)訓(xùn)練1個(gè)、 5個(gè)、10個(gè)、15個(gè)和20個(gè)3層BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行比較分析;與此同時(shí)，還分別對(duì)只考慮沒(méi) 有負(fù)載的情況和同時(shí)考慮沒(méi)有負(fù)載和帶負(fù)載兩種情況進(jìn)行比較分析。其中只考慮沒(méi)有負(fù)載 的情況下，BP網(wǎng)絡(luò)結(jié)構(gòu)為[500 100 10]，輸入是500維的樣本特征信息，隱藏層節(jié)點(diǎn)數(shù)為 100,沒(méi)有負(fù)載下輸出的類別是10類，所以選定輸出節(jié)點(diǎn)為10,按照從1000000000到 0000000001編碼，第幾位為1，表示與之對(duì)應(yīng)的為第幾類；同時(shí)考慮沒(méi)有負(fù)載和帶負(fù)載兩種 情況下的樣本，BP網(wǎng)絡(luò)結(jié)構(gòu)為[500 200 20]，隱藏層節(jié)點(diǎn)為200,輸出層節(jié)點(diǎn)為20,編碼方式 與第一個(gè)自編碼網(wǎng)絡(luò)類似。同時(shí)為了避免BP網(wǎng)絡(luò)訓(xùn)練陷入局部最小值和產(chǎn)生過(guò)擬合現(xiàn)象， 設(shè)定學(xué)習(xí)率為0.8,動(dòng)量項(xiàng)為0.5,利用BP網(wǎng)絡(luò)的經(jīng)典誤差反向傳播算法來(lái)修改網(wǎng)絡(luò)的權(quán)值， 在BP網(wǎng)絡(luò)權(quán)值修正1000次以后，BP網(wǎng)絡(luò)的均方誤差由最初的0.5下降到了 0.007。
[0082] S106:將訓(xùn)練好的多個(gè)3層BP神經(jīng)網(wǎng)絡(luò)分類器的分類結(jié)果組合在一起，利用神經(jīng)網(wǎng) 絡(luò)集成技術(shù)，采用相對(duì)多數(shù)投票法則，確定故障類型。其中相對(duì)多數(shù)投票法則是指，如果在 10個(gè)BP神經(jīng)網(wǎng)絡(luò)輸出的故障類別中，有4個(gè)表示故障類別1，3個(gè)表示故障類別11，2個(gè)表示故 障類別III，1個(gè)表示故障類別IV，由于輸出為I的網(wǎng)絡(luò)個(gè)數(shù)是最多的，那么就確定最終的故 障類別為I。
[0083] 當(dāng)把一個(gè)新的未知是否發(fā)生故障的滾動(dòng)軸承的加速度信號(hào)采集出來(lái)，可以按照步 驟S102進(jìn)行信號(hào)的去噪預(yù)處理，按照步驟S103生成樣本，利用步驟S104中訓(xùn)練好的堆棧自 編碼網(wǎng)絡(luò)提取樣本特征信息，利用步驟S105中訓(xùn)練好的多個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，最后利 用S106中的神經(jīng)網(wǎng)絡(luò)集成方法和相對(duì)多數(shù)投票法則，確定最終的故障類型。
[0084] 將測(cè)試樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，再利用相對(duì)多數(shù)投票法則，確定故障類 型，只考慮不帶負(fù)載的情況或者同時(shí)考慮帶負(fù)載和不帶負(fù)載的情況，故障診斷方法的準(zhǔn)確 率如圖5所示，其中空白框是對(duì)應(yīng)只考慮不帶負(fù)載的情況，黑色框是對(duì)應(yīng)同時(shí)考慮帶負(fù)載和 不帶負(fù)載的情況。從圖5中可以看出，隨著訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類器的個(gè)數(shù)從1個(gè)增加到20 個(gè)，其中只考慮不帶負(fù)載的情況下，故障診斷的準(zhǔn)確率從95.07 %上升到了99.25 %，同時(shí)考 慮不帶負(fù)載和帶負(fù)載的情況，故障診斷的準(zhǔn)確率從91.25 %上升到了 99.62 %;比較只考慮 不帶負(fù)載的情況和同時(shí)考慮不帶負(fù)載和帶負(fù)載的情況，可以看出同時(shí)考慮不帶負(fù)載和帶負(fù) 載的情況的故障診斷的準(zhǔn)確率相對(duì)較高。其中訓(xùn)練多個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器明顯比單個(gè)BP神 經(jīng)網(wǎng)絡(luò)分類器的效果好，即采用集成網(wǎng)絡(luò)的方式更進(jìn)一步大大提高了故障診斷的效率。
[0085] 以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說(shuō)明，不能認(rèn)定 本發(fā)明的具體實(shí)施只局限于這些說(shuō)明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員來(lái)說(shuō)，在不脫 離本發(fā)明構(gòu)思的前提下，還可以做出若干等同替代或明顯變型，而且性能或用途相同，都應(yīng) 當(dāng)視為屬于本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種滾動(dòng)軸承故障的診斷方法，其特征在于，包括W下步驟： S1:采集所述滾動(dòng)軸承的加速度信號(hào)； S2:結(jié)合采用離散小波變換方法和軟闊值方法，對(duì)所述加速度信號(hào)進(jìn)行去噪處理； S3:對(duì)去噪處理后的所述加速度信號(hào)的時(shí)間序列進(jìn)行分割，提取樣本； S4:通過(guò)兩個(gè)W上的自編碼網(wǎng)絡(luò)構(gòu)造堆找自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征信息； S5:利用所述樣本的特征信息訓(xùn)練至少一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器； S6:根據(jù)采用已知故障數(shù)據(jù)對(duì)至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練W建立的故障 診斷模型，確定所述滾動(dòng)軸承的故障信息。2. 根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，步驟S6具體包括:將所述滾動(dòng)軸承執(zhí) 行步驟S1~S5訓(xùn)練的至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器，與采用已知故障數(shù)據(jù)的所述滾動(dòng)軸 承執(zhí)行步驟S1~S5訓(xùn)練至少一個(gè)所述BP神經(jīng)網(wǎng)絡(luò)分類器W建立的故障診斷模型進(jìn)行對(duì)比， 確定所述滾動(dòng)軸承的故障信息。3. 根據(jù)權(quán)利要求2所述的診斷方法，其特征在于，建立所述故障診斷模型中的步驟S1中 的所述滾動(dòng)軸承包括帶負(fù)載和不帶負(fù)載的已知故障數(shù)據(jù)的滾動(dòng)軸承。4. 根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，步驟S2具體包括： 521:采用化5小波對(duì)隨時(shí)間變化的加速度信號(hào)序列^〇進(jìn)行小波變換，分別得到2^^分 辨率下的粗糖像系數(shù)扣k和細(xì)節(jié)系數(shù)化,k; S22:保留所述粗糖像系數(shù)C川，對(duì)于所述細(xì)節(jié)系數(shù)化,k，采用軟闊值方法進(jìn)行處理，所述 軟闊值方法的計(jì)算公式為：其中，sgnO是符號(hào)函數(shù)，闊值λ的取值為而，δ為信號(hào)的標(biāo)準(zhǔn)差，N為信號(hào)的長(zhǎng)度； S23:再采用小波逆變換將頻域信號(hào)轉(zhuǎn)換回時(shí)域的時(shí)間序列信號(hào)，W完成對(duì)所述加速度 信號(hào)的去噪處理，其中小波逆變換的計(jì)算公式為：5. 根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，步驟S3具體包括：WA個(gè)時(shí)間點(diǎn)作為一 個(gè)單位樣本，WB的重疊率，對(duì)Μ個(gè)加速度信號(hào)點(diǎn)進(jìn)行分割，提取到η個(gè)所述樣本，其中Α、Μ、η 為正整數(shù)。6. 根據(jù)權(quán)利要求5所述的診斷方法，其特征在于，Β的取值范圍為0<Β<100 %。7. 根據(jù)權(quán)利要求5所述的診斷方法，其特征在于，Α、Β、Μ、η的取值滿足Α+(η-1)Α*(1-Β) =Μ關(guān)系式的要求。8. 根據(jù)權(quán)利要求5所述的診斷方法，其特征在于，步驟S4中是通過(guò)兩個(gè)自編碼網(wǎng)絡(luò)構(gòu)造 堆找自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征信息，具體包括： S41:第一個(gè)自編碼網(wǎng)絡(luò)采用[Α Ε Α]的結(jié)構(gòu)，其中Ε〉Α，輸入是A維的樣本向量，隱藏節(jié) 點(diǎn)數(shù)為E，輸出維數(shù)是A維，通過(guò)所述第一個(gè)自編碼網(wǎng)絡(luò)得到所述樣本的稀疏表達(dá)特征； S42:第二個(gè)自編碼網(wǎng)絡(luò)采用[E F E]的結(jié)構(gòu)，其中F<A，所述第二個(gè)自編碼網(wǎng)絡(luò)的輸入 是所述樣本的稀疏表達(dá)特征，通過(guò)所述第二個(gè)自編碼網(wǎng)絡(luò)得到所述樣本稀疏表達(dá)特征的壓 縮特征信息； S43:將所述第一個(gè)自編碼網(wǎng)絡(luò)和所述第二個(gè)自編碼網(wǎng)絡(luò)結(jié)合在一起，構(gòu)成結(jié)構(gòu)為[A E 鬥的堆找自編碼網(wǎng)絡(luò)框架，提取所述樣本的特征信息。9. 根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，步驟S5中所述BP神經(jīng)網(wǎng)絡(luò)分類器的數(shù) 量大于或等于5個(gè)。10. 根據(jù)權(quán)利要求1至9任一項(xiàng)所述的診斷方法，其特征在于，步驟S6中所述滾動(dòng)軸承的 故障信息還根據(jù)神經(jīng)網(wǎng)絡(luò)集成技術(shù)W及相對(duì)多數(shù)投票法則來(lái)確定。
【文檔編號(hào)】G01M13/04GK105973595SQ201610268894
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年4月27日
【發(fā)明人】王學(xué)謙, 譚俊波, 趙澤奇, 梁斌, 徐峰
【申請(qǐng)人】清華大學(xué)深圳研究生院