一种基于Legendre多小波变换的轴承故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115901257A(43)申请公布日2023.04.04(21)申请号202211389627.1(22)申请日2022.11.08(71)申请人重庆理工大学地址400054重庆市巴南区红光大道69号(72)发明人郑小洋冯志霞雷子鉴(74)专利代理机构重庆智盛东唐专利代理事务所(普通合伙)50309专利代理师张秀霞(51)Int.Cl.G01M13/045(2019.01)G06F18/24(2023.01)G06F18/214(2023.01)G06N3/04(2023.01)G06N3/08(2023.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于Legendre多小波变换的轴承故障诊断方法(57)摘要本发明涉及轴承故障诊断技术领域，尤其涉及一种基于Legendre多小波变换的轴承故障诊断方法。方法包括获取原始信号数据；将样本集，划分为训练集和测试集；经过3个Legendre小波分解，得到相应的低频信号分量和高频信号分量；计算出RMS和SD值；将训练集的RMS和SD输入到BPNN分类器；通过测试集验证精度；对轴承故障进行诊断。本发明提出了通过Legendre多小波对轴承的信号特征进行多尺度提取故障本质特征，并通过BPNN分类器识别，构建了LW‑BPNN轴承故障诊断方法；用于轴承故障诊断时只需要两个统计参数RMS和SD以及一个BPNN分类器，便可完成诊断率较高的故障识别，有效降低了构架的复杂度，且在提取特征和优化参数方面也更加简单轻便。CN115901257ACN115901257A权利要求书1/2页1.一种基于Legendre多小波变换的轴承故障诊断方法，包括以下步骤：S1.使用某一负载下的某一故障类型的振动信号作为原始信号数据；S2.将所述原始信号数据以有重叠的分段取样的方式，获取X个样本作为样本集，并将所述X个样本划分为N个训练集和M个测试集，且X＝N+M；S3.将上述训练集和测试集的振动信号经过3个Legendre小波的1次分解，得到相应的低频信号分量和高频信号分量；S4.分别计算出所述低频信号分量和高频信号分量的数字特征RMS和SD的值；S5.将训练集的数字特征RMS和SD作为故障特征向量集，输入到BPNN分类器，训练BPNN分类器模型；S6.将所述测试集输入训练好的BPNN分类器，验证其精度。2.根据权利要求1所述的一种基于Legendre多小波变换的轴承故障诊断方法，其特征在于，所述故障类型至少包括有：单点故障直径为0.007英寸的内圈故障、外圈故障、滚动体故障；单点故障直径为0.014英寸的内圈故障、外圈故障、滚动体故障；单点故障直径为0.021英寸的内圈故障、外圈故障、滚动体故障没有人为损伤故障的正常状态轴承。3.根据权利要求1所述的一种基于Legendre多小波变换的轴承故障诊断方法，其特征在于，所述RMS的计算如下：其中，X表示总体样本；x表示样本；n表示样本总数。4.根据权利要求1所述的一种基于Legendre多小波变换的轴承故障诊断方法，其特征在于，所述SD的计算如下：其中，X表示总体样本；x表示样本；n表示样本总数。5.根据权利要求1所述的一种基于Legendre多小波变换的轴承故障诊断方法，其特征在于，所述经过3个Legendre小波的1次分解，得到相应的低频信号分量和高频信号分量，Legendre小波的分解方法包括：将振动信号按奇偶划分，分别对划分后的奇偶样本进行1次Legendre多小波变换：通过尺度基函数和小波基函数把一段信号转换为相应的低频和高频系数，分辨率级别由j+1→j的分解过程描述如下：2CN115901257A权利要求书2/2页其中，sk,jm和dk,jm分别表示的是分辨率水平在j级下的低频系数和高频系数；将Sp,m＝(sk,jm)称为近似值部分，将Dp,m＝(dk,jm)称为细节部分；m的取值取决于当前的分辨率级别j+1和公式m＝2j；此时信号f∈L2([0,1])就被分解为近似值部分和细节部分,数学表达式如下：其中f表示某一段信号，它的构成是上述近似值部分和细节部分的结果叠加，并且f满足以下条件：这表明信号分解所得的误差近似值会随着分辨率的提升和Legendre多小波数量的增加呈指数下降并收敛于2‑np。3CN115901257A说明书1/6页一种基于Legendre多小波变换的轴承故障诊断方法技术领域[0001]本发明涉及轴承故障诊断技术领域，设计了一种基于Legendre多小波变换的轴承故障诊断方法。背景技术[0002]滚动轴承是旋转机构的核心部件，其健康状况会对机构的性能、稳定性和寿命产生巨大影响。但是滚动轴承的工作环境非常恶劣，高温、高压、变转速和变载荷等原因都使得轴承表面极易发生磨粒磨