滚动轴承故障诊断方法、装置、电子设备和可读存储设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115982575A(43)申请公布日2023.04.18(21)申请号202310165817.3G01M13/045(2019.01)(22)申请日2023.02.27G06F18/2415(2023.01)G06N3/084(2023.01)(71)申请人天津智能轨道交通研究院有限公司G06N3/086(2023.01)地址301700天津市武清区武清开发区畅G06N3/048(2023.01)源道国际企业社区B6号楼G06F123/02(2023.01)(72)发明人王天柱李洋王志超沈家立麻全周殷润达刘宏波马红磊俞璞涵胡梦超郑忠健张宇喆刘治强吕焕吴晴杨梅张松高宇杰(74)专利代理机构北京鼎拓恒远知识产权代理事务所(普通合伙)16098专利代理师任小鹏(51)Int.Cl.G06F18/2131(2023.01)权利要求书2页说明书15页附图10页(54)发明名称滚动轴承故障诊断方法、装置、电子设备和可读存储设备(57)摘要本申请的实施例提供了一种滚动轴承故障诊断方法、装置、电子设备和可读存储介质。所述方法包括获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。以此方式，解决了仅运用EEMD、VMD、小波包分解等方式构造特征向量造成信号故障特征提取不充分，以及BP神经网络初始权值不合适而导致的故障诊断准确率低的问题，实现了对轴承部件故障的精准分类。CN115982575ACN115982575A权利要求书1/2页1.一种滚动轴承故障诊断方法，其特征在于，包括：获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述信号处理模型通过基于遗传算法优化的VMD算法构建包括：构建训练样本集；所述样本集包括不同状态的滚动轴承振动信号；通过遗传算法优化VMD算法中的本征模态函数个数和惩罚因子；通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量；提取所述样本集中滚动轴承振动信号数据中的时域和频域指标；基于所述IMF分量、时域和频域指标，构建混合域特征集；基于所述混合域特征集，完成所述信号处理模型的构建。3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量包括：通过优化的VMD算法，将不同状态的振动信号分解成若干含故障信息的IMF分量，并求出前m个IMF分量的样本熵；其中，所述m的值通过如下方式进行确定：若训练集中有N条滚动轴承振动数据，则每条数据均采用遗传算法优化VMD的本征模态函数个数和惩罚因子，得到N个最优的K值，记为{}，{}中元素的最小值为m。4.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于，所述时域和频域指标包括时域均方根、峭度、频域平均频率和/或频率标准差。5.根据权利要求4所述的滚动轴承故障诊断方法，其特征在于，所述BP神经网络中的隐层节点数的经验公式如下：其中，为隐含层的节点数量；n为输入层节点数量；m为输出层节点数量；a为一个区间在[1,10]上的数。6.根据权利要求5所述的滚动轴承故障诊断方法，其特征在于，所述故障分类模型通过差分进化算法优化的BP神经网络构建包括：通过差分进化算法优化神经网络的初始权值；通过BP神经网络算法进行网络权值更新，构建故障分类模型。7.根据权利要求6所述的滚动轴承故障诊断方法，其特征在于，所述通过差分进化算法优化神经网络的初始权值包括：2CN115982575A权利要求书2/2页采用Softmax分类器、One‑hot编码使得适应度函数为最小值时，得到初始权值；其中，所述适应度函数为神经网络预测值与实际值的残差平方和。8.一种滚动轴承故障诊断装置，其特征在于，包括：获取模块，用于获取滚动轴承的信号数据；处理模块，用于将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；分类模块，用于将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征