一种基于去噪技术的滚动轴承早期故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110987434A(43)申请公布日2020.04.10(21)申请号201911308857.9(22)申请日2019.12.18(71)申请人中国民航大学地址300300天津市东丽区津北公路2898号(72)发明人陈维兴孙习习苏景芳王雷(74)专利代理机构天津才智专利商标代理有限公司12108代理人庞学欣(51)Int.Cl.G01M13/045(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图6页(54)发明名称一种基于去噪技术的滚动轴承早期故障诊断方法(57)摘要一种基于去噪技术的滚动轴承早期故障诊断方法。其包括采集实测含有噪声的滚动轴承振动信号；对滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号；从滤波处理后的频谱信号中提取梅尔倒谱系数和差分谱系数作为混合特征向量，经特征排列处理后得到二维特征矩阵而作为测试样本；构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断等步骤。本发明对于滚动轴承早期微弱故障的诊断具有明显优势，突出了对故障类别判断起决定性作用的微弱故障冲击信号，降低了环境噪声对故障检测的影响，具有重要意义。CN110987434ACN110987434A权利要求书1/3页1.一种基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：所述的基于去噪技术的滚动轴承早期故障诊断方法包括按顺序进行的下列步骤：步骤1)利用振动信号采集器采集实测含有噪声的滚动轴承振动信号；步骤2)对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号；步骤3)从滤波后的频谱信号中提取梅尔频率倒谱系数、一阶差分参数和二阶差分参数组成MFCC组合参数并作为测试样本；步骤4)构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将步骤3)获得的测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断。2.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤1)中，所述的含有噪声的滚动轴承故障信号模型为：y(t)＝x(t)+n(t)其中，y(t)∈RN为实测含有噪声的滚动轴承振动信号，x(t)∈RN为故障信号，n(t)为噪声信号，服从高斯分布。3.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤2)中，所述的对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号的具体步骤如下：步骤2.1)对上述实测含有噪声的滚动轴承振动信号y(t)进行分帧处理，帧与帧之间部分重叠，重叠率为50％，对第n个帧信号进行加窗处理，得到预处理后的信号sw(t)＝yn(t)*w(t)，其中w(t)选择汉宁窗，0≤t≤T-1，且满足函数式：步骤2.2)将上述预处理后的信号经过N点的离散傅里叶变换后得到线性频谱：步骤2.3)定义一个由分析窗函数所得的带宽变量：根据带宽变量，实测含有噪声的滚动轴承振动信号y(t)的谱峭度可近似表示为：其中，fs为采样频率，fd为故障冲击频率，Nw为窗长度，CX为故障信号x(t)的谱峭度，为信噪比，Sn(f)和Sx(f)分别为噪声信号n(t)和故障信号x(t)的功率谱密度，同时噪声信号n(t)又独立于实测含有噪声的滚动轴承振动信号y(t)，故实测含有噪声的滚2CN110987434A权利要求书2/3页动轴承振动信号y(t)的谱峭度满足：2CY(f)×[1+ρ(f)]＝CX(f)其中，CX(f)为故障信号x(t)的谱峭度；当信号中信噪比ρ(f)趋于0时，CY(f)≈CX(f)，谱峭度最大；当信噪比ρ(f)趋于无穷时，C(f)≈0；利用峭度值的分布情况构建一个与信噪比成反比的滤波器，局部地将谱峭度应用于不同的频带，在整个频域锁定故障信号最突出的频带；步骤2.4)设置一个阈值σ＝10％×CY(f)max，其中CY(f)max为实测含有噪声的滚动轴承振动信号中谱峭度的最大值，当谱峭度CY(f)小于阈值时舍弃，认为是噪声部分，当谱峭度CY(f)大于阈值时保留，认为是故障信号的谱峭度，由此得到最终的谱峭度；步骤2.5)将最终的谱峭度代入上述滤波器中而得到谱峭度滤波器：其中，因此取k＝CY(f)max；步骤2.6)利用上述谱峭度滤波器对步骤2.2)中获得的线性频谱s(k)进行谱峭度滤波，得到滤波处理后的频谱信号：4.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤3)中，所述的从滤波后的频谱信号中提取梅尔频率倒谱系