一种滚动轴承故障诊断方法及系统.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CN112798280A(43)申请公布日2021.05.14(21)申请号202110162582.3(22)申请日2021.02.05(71)申请人山东大学地址250061山东省济南市历下区经十路17923号(72)发明人张法业王金喜姜明顺张雷隋青美贾磊(74)专利代理机构济南圣达知识产权代理有限公司37221代理人李圣梅(51)Int.Cl.G01M13/045(2019.01)权利要求书2页说明书9页附图4页(54)发明名称一种滚动轴承故障诊断方法及系统(57)摘要本公开提供了一种滚动轴承故障诊断方法及系统，包括：采集待检测的滚动轴承振动信号；将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；所述故障诊断模型是基于滚动轴承不同故障类型的时域振动信号构成训练集和测试集进行训练、测试得到的，故障诊断模型建立步骤包括对训练集中每种故障类型的时域振动信号进行自适应变分模态分解得到对应的模态分量，获取各个模态分量的故障特征，将故障特征作为分类器模型的输入；所述自适应变分模态分解的惩罚因子根据频谱互相关度确定；既有效避免了各模态分量之间的混叠，又能最大限度地保留振动信号的故障特征信息，能使模型具有较好的泛化性能。CN112798280ACN112798280A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：采集待检测的滚动轴承振动信号；将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；所述故障诊断模型是基于滚动轴承不同故障类型的时域振动信号构成训练集和测试集进行训练、测试得到的，故障诊断模型建立步骤包括对训练集中每种故障类型的时域振动信号进行自适应变分模态分解得到对应的模态分量，获取各个模态分量的故障特征，将故障特征作为分类器模型的输入；所述自适应变分模态分解的惩罚因子根据频谱互相关度确定。2.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述分类器模型为自适应权重粒子群优化极限学习机模型，采用十折交叉验证和粒子群优化的方法获得极限学习机最优的输入权重w和偏置b。3.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，通过频谱互相关度确定适应变分模态分解的惩罚因子α步骤包括：初始化计数,模态个数,惩罚因子,搜索范围，步距，设定长度的全零数组SPC距；计算振动信号的傅里叶变换；利用变分模态分解算法分解振动信号，得到不同中心频率的模态分量；对不同中心频率的模态分量分别计算其傅里叶变换；计算该惩罚因子α对应的SPC值SPC[i]；获取惩罚因子α∈[100,8000]的所有SPC的平均值，选取最接近平均值的SPC对应的惩罚因子α作为最优的惩罚因子。4.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述故障特征为振荡能量，所述振荡能量为：其中，T为采样的时间间隔，x(T0)为振动信号的初始状态。5.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述故障诊断模型的建立步骤包括：将训练集的故障特征输入到分类器模型中进行训练，获得训练完成的故障诊断模型；将测试集输入到训练完成的故障诊断模型中输出故障诊断结果。6.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述滚动轴承不同故障类型的时域振动信号是在不同故障类型滚动轴承的运行状态下，采用加速度传感器采集被检测轴承的振动信号。7.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，对每种故障类型的时域信号进行自适应变分模态分解，得到既定数量具有不同中心频率的模态分量。8.一种滚动轴承故障诊断系统，其特征在于，包括：数据采集模块，被配置为：采集待检测的滚动轴承振动信号；故障诊断模块，被配置为：将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；所述故障诊断模型是基于滚动轴承不同故障类型的时域振动信号构成训练集和测试集进行训练、测试得到的，故障诊断模型建立步骤包括对训练集中每种故障类型的时域振2CN112798280A权利要求书2/2页动信号进行自适应变分模态分解得到对应的模态分量，获取各个模态分量的故障特征，将故障特征作为分类器模型的输入；所述自适应变分模态分解的惩罚因子根据频谱互相关度确定。9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1‑7任一所述的滚动轴承故障诊断方法。10.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1‑7任一所述的滚动轴承故障诊断方法。3CN112798280A说明书1/9页一种滚动轴承故障诊断方法及系统技术领域[0001]本公开涉及滚动轴承故障诊断领域，尤其是一种基于AVMD和AWPSO‑ELM的滚动轴承诊断