一种滚动轴承故障智能诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115290326A(43)申请公布日2022.11.04(21)申请号202111563527.1(22)申请日2021.12.20(71)申请人兰州理工大学地址730050甘肃省兰州市七里河区兰工坪路287号(72)发明人雷春丽夏奔锋薛林林焦孟萱张护强史佳硕(74)专利代理机构成都弘毅天承知识产权代理有限公司51230专利代理师张超(51)Int.Cl.G01M13/045(2019.01)权利要求书2页说明书9页附图5页(54)发明名称一种滚动轴承故障智能诊断方法(57)摘要本发明公开了一种滚动轴承故障智能诊断方法，属于机械故障诊断技术领域，有效解决了实际工况中滚动轴承受负载复杂多变、数据集较小的影响，使得轴承故障诊断难以获得较高识别准确率的问题，本发明首先通过马尔科夫转移场(MTF)将原始信号转化为包含故障特征的二维图像，然后将特征图像作为卷积神经网络(CNN)的输入进行特征提取，最后实现对不同滚动轴承故障类型的识别分类，本发明创建的MTF‑CNN模型充分结合了MTF编码方式可以保留信号时间相关性和CNN强大的自动特征提取功能的优点，在负载改变时仍然保持了较高的诊断精度，具有更好的泛化性能，同时该模型在数据集规模减小时依然具有较高的识别准确率，提高了滚动轴承故障识别效果的准确性和稳定性。CN115290326ACN115290326A权利要求书1/2页1.一种滚动轴承故障智能诊断方法，其特征在于，包括如下步骤：S1：获取滚动轴承原始振动信号，用于CNN模型的训练；S2：对采集到的信号按设置的样本长度进行随机分割；S3：将分割后的每段信号按MTF编码方式转换为二维特征图像；S4：将二维特征图像数据集按比例划分为训练集和测试集；S5：搭建CNN网络模型，初始化参数；S6：把训练集输入CNN模型进行预训练，利用优化算法反复对模型参数进行优化，若达到最优值则进行步骤S7，否则跳转到步骤S5，修改模型参数，直到获得最优参数为止，并保存最佳模型；S7：将测试集输入到训练好的CNN模型中进行滚动轴承故障诊断，最终获得轴承故障分类结果及测试准确率。2.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S1中通过轴承实验数据中心获取滚动轴承原始振动信号，所述轴承数据实验中心包括依次连接的三相异步电机、扭矩传感器和负载，且所述三相异步电机的底座外壳上安装有用于采集故障轴承振动型号的加速度传感器。3.根据权利要求2所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S1中驱动端轴承在载荷为1‑3hp三种工况下工作时采集的故障振动信号，振动信号的采样频率为12kHz，采样时间为10s。4.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S2中采用重叠采样的方式对数据进行随机分割。5.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S3中通过马尔科夫转移概率来实现动态转移信息的编码，具体操作步骤为：S301：给定一个时间序列X＝{x1,x2,xi,…xn}，首先将X离散化为Q个分位数单元，用分位数qj(j∈[1,Q])量化时间序列的每一个值，通过识别分位数Q，将每个数值xi映射到相应的分位数qi上，并构造一个Q×Q的马尔科夫转移矩阵W，通过沿时间轴以一阶马尔可夫链的方式将分位数转换成矩阵W，其表达式如下式所示：式中：wij表示分位数qi位于点分位数qj后的概率，即wij＝P(xt∈qi|xt‑1∈qj)；S302：由于马尔科夫转移矩阵忽略了时间序列X的分布与时间步长ti之间的时间依赖关系，故构造马尔科夫转移场来弥补这一不足，马尔科夫转移场通过沿时间顺序排列每个概率来扩展矩阵W，即为矩阵M，表达式如下式所示，矩阵M包含了每个分位数与时间步长之间的时间相关性：2CN115290326A权利要求书2/2页式中：mij表示分位数qi转移到分位数qj的转移概率，即mij＝P(qi→qj)。6.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S4中训练集和测试集的比例为3:1。7.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S5中CNN网络模型包括卷积层、池化层、全连接层和softmax分类器，具体是通过多个能提取输入数据特征的滤波器对输入的图像进行卷积和池化运算，逐层提取出具有显著特征的特征图，将获得的特征图通过全连接层，再对模型进行误差计算和参数优化，最后通过分类器输出相应的结果。8.根据权利要求7所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S6中利用损失函数通过对预测样本和真实样本标签产生的误差进行反向传播从而优化网络参数，在反向传播的过程中，使用Adam自适应