[发明专利]一种滚动轴承故障诊断方法

说明书

技术领域

本发明属于机械故障诊断和计算机人工智能技术领域，尤其涉及一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中最为重要的关键部件之一，滚动轴承被广泛应用于化工、冶金、电力、航空等各个重要领域，但同时它也经常处在高温、高速、重载等恶劣的工作环境中，致使滚动轴承是最易损坏的元件之一。轴承性能与工况的好坏直接影响到与之相关联的轴以及安装在转轴上的齿轮乃至整台机器设备的性能，其缺陷会导致设备产生异常振动和噪声，甚至造成设备损坏，事实上，机械失效问题归因于轴承故障的机率非常高。因此，对滚动轴承故障进行诊断，尤其是对于早初期故障的分析，实现快速、准确的轴承故障监测对于机械设备的正常工作以及安全生产具有重大的意义。

特征提取实质上是一种变换，通过映射或变换的方式将样本在不同空间中进行转换。目前常用的机械故障特征提取方法主要有傅里叶变换(Fourier Transform，简称FT)、快速傅里叶变换(Fast Fourier Transform，简称FFT)、小波变换(Wavelet Transform，简称WT)、和经验模态分解(Empirical Mode Decomposition，简称EMD)、希尔伯特-黄变换(Hilbert-Huang Transform，简称HHT)等。

傅里叶变换作为线性时频分析方法，能够清晰快速地处理信号，具有一定的时频分辨率，其灵活性和实用性较为突出，但是由于傅里叶变换是信号在频域的表示，时间分辨率为零，并且它对非线性、非平稳信号具有不确定性，导致其应用范围具有局限性。FFT方法无法同时兼顾信号在时域和频域中的全貌和局部化问题。小波变换可以对时间频率进行局部化分析，达到高频处时间细分，低频处频率细分，自适应地对时频信号进行分析，但是小波基不同，分解结果不同，小波基比较难选择。EMD方法能将信号分解为多个IMF(Intrinsic Mode Function，本征模态函数)分量，对所有IMF分量做Hilbert变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包络、端点效应等问题，均处在研究之中。HHT是通过信号的EMD分节，是非平稳信号平文化，它摆脱了线性和平稳性的束缚，对突变信号有高精度。

目前所使用的特征提取方法基于信号处理技术，主要以人工提取为主，故障诊断的识别精度依赖于特征提取的优劣程度。

鉴于上述的缺陷，本设计人积极加以研究创新，以期创设一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断方法，以提高滚动轴承故障诊断的准确性和有效性。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断方法，其首先采用卷积神经网络来学习提取训练样本数据的有效特征，之后采用支持向量回归分类方法对测试样本进行分类识别，从而确定滚动轴承故障工况类别，实现对滚动轴承故障类别的诊断，以提高滚动轴承故障诊断的准确性和有效性。

本发明的滚动轴承故障诊断方法，包括如下步骤：

步骤1：在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；

步骤2：建立卷积神经网络模型，采用训练样本对卷积神经网络模型进行训练，将训练样本输入卷积神机网络模型中，采用有监督逐层训练方法进行逐层训练和调优，得到卷积神经网络模型的连接权值和偏置参数；

步骤3：将各种工况下的训练样本分别作为确定连接权值和偏置参数的卷积神经网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型分别对每种工况下的各个训练样本进行有效特征提取，得到每种工况下的各个训练样本对应的训练样本特征信息，用所提取的训练样本特征训练支持向量回归分类器；

步骤4：通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；

步骤5：将测试样本作为确定连接权值和偏置参数的卷积神经网络模型的输入，对测试样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型对测试样本进行特征提取，得到测试样本特征信号；