基于EMD和多通道卷积神经网络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CN115270845A(43)申请公布日2022.11.01(21)申请号202210637458.2(22)申请日2022.06.07(71)申请人河北工业大学地址300000天津市北辰区双口镇西平道5340号(72)发明人刘晓昂赵福凯岳卓丁晋甄冬(74)专利代理机构天津易企创知识产权代理事务所(普通合伙)12242专利代理师魏凤程(51)Int.Cl.G06K9/00(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G01M13/045(2019.01)权利要求书1页说明书5页(54)发明名称基于EMD和多通道卷积神经网络的轴承故障诊断方法(57)摘要本发明提供了一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，属于齿轮箱轴承故障诊断的技术领域，包括以下步骤：使用EMD将非线性振动信号分解为一系列IMF信号和一个余项；计算各IMF分量的峭度值，对IMF分量的峭度值及相关系数进行加权运算；去掉分解后的余项，选择峭度值较大的IMF分量；利用加权值挑选出具有明显特征的IMF分量；进行卷积运算。深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。CN115270845ACN115270845A权利要求书1/1页1.一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，包括以下步骤：使用EMD将非线性振动信号分解为一系列IMF信号和一个余项；计算各IMF分量的峭度值，对IMF分量的峭度值及相关系数进行加权运算；去掉分解后的余项，选择峭度值较大的IMF分量；利用加权值挑选出具有明显特征的IMF分量；进行卷积运算。2.根据权利要求1所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述进行卷积运算步骤包括：首个卷积层使用单卷积核进行卷积运算，在后续网络结构中使用多通道卷积模块。3.根据权利要求2所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述进行卷积运算步骤之后包括：网络结构参数设计。4.根据权利要求3所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述包括网络结构参数设计步骤之后包括：选择模型损失函数与训练方法。5.根据权利要求4所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述选择模型损失函数与训练方法步骤之后包括：初始化多通道卷积神经网络并利用训练集开始训练。6.根据权利要求5所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述初始化多通道卷积神经网络并利用训练集开始训练步骤之后包括：利用测试集完成测试后进行鲁棒性测试。2CN115270845A说明书1/5页基于EMD和多通道卷积神经网络的轴承故障诊断方法技术领域[0001]本发明属于齿轮箱轴承故障诊断的技术领域，尤其是涉及一种基于EMD和多通道卷积神经网络的轴承故障诊断方法。背景技术[0002]齿轮箱在机械、电气等领域应用广泛，其中轴承是齿轮箱中重要的零部件。实际使用中，往往需要在很短的工期内完成较多的任务，齿轮箱需要长期超载运行，因此经常出现故障，造成不必要的停机。轴承作为齿轮箱中较易损坏的部件，因此对轴承进行早期故障诊断非常有必要。然而，轴承发生故障的情况多种多样，十分复杂，使用传统故障诊断方法，在处理复杂情况下采集的故障信号时，信号比较单一，处理方法较难达到理想的效果。[0003]因此，深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。发明内容[0004]有鉴于此，本发明旨在提出一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，以缓解上述的技术问题。[0005]为达到上述目的，本发明的技术方案是这样实现的：[0006]一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，包括以下步骤：[0007](1)使用EMD对振动信号进行分解：将任意非线性信号分解为一系列IMF信号和一个余项。[0008][0009]式中n为分解得到的IMF分量的个数；ci(t)为第i个IMF分量；rn(t)为最终残余分量。[0010]假设待分解信号为x(t)，具体的算法流程如下：[0011]第一步：利用样条插值方法拟合得到上、下包络线。[0012]第二步：用x(t)减去上、下包络线的均值m1(t)得到一个分量k1(t)[0013]h1(t)＝x(t)‑m1(2)[0014]第三步：判断h1(t)是否满足IMF条件，若满足，则将h1(t)记为c1，作为第一个IMF。否则重复上述步骤，假设直至第k次满足条件，得到[0015]c1＝h1(k‑1)(t)