[发明专利]滚动轴承故障诊断方法、装置、电子设备以及存储介质

说明书

本申请公开了一种滚动轴承故障诊断方法、装置、电子设备以及存储介质，该方法包括：获取多个振动信号样本，并对应设置故障分类标签，对多个振动信号样本进行变分模态分解，确定多组一维奇异值故障特征向量样本，构成训练数据集；将多组训练数据集输入至初始基于分数阶梯度的BP神经网络模型，利用分数阶算法对初始基于分数阶梯度的BP神经网络模型进行分类训练，得到训练完备的基于分数阶梯度的BP神经网络模型。通过变分模态分解对振动信号进行处理，提高了滚动轴承故障诊断的自适应性；另外，利用分数阶算法对初始基于分数阶梯度的BP神经网络模型进行训练，有效提高了基于分数阶梯度的BP神经网络模型的性能，提高了诊断结果精度。

技术领域

本发明涉及轴承故障诊断领域，尤其涉及一种滚动轴承故障诊断方法、装置、电子设备以及存储介质。

背景技术

滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。作为旋转机械的关键部件，滚动轴承对整个机械的性能、稳定性和寿命周期具有重要作用。

目前，虽然能够较好地提取滚动轴承的振动信号，但轴承的原始振动信号中不仅包含大量关于轴承健康状况的信息，同时也包含大量的噪声和干扰。因此，采用一般的时域或频域的信号处理方法难以准确提取轴承故障特征，而时频域分析方法中的变分模态分解(Variational Mode Decomposition，VMD)在使用前需要设置参数，大大降低了变分模态分解的自适应性和实用价值。另外，传统人工神经网络故障分类器存在收敛速度慢和容易陷入局部极值的问题，目前主要是通过梯度下降算法进行处理，精度不高。

因此，现有技术中存在滚动轴承故障诊断自适应性不高，且诊断结果精度不高的问题。

发明内容

有鉴于此，有必要提供一种滚动轴承故障诊断方法、装置、电子设备以及存储介质，用以解决现有技术中滚动轴承故障诊断自适应性不高，且诊断结果精度不高的问题。

为了解决上述问题，本发明提供一种滚动轴承故障诊断方法，包括：

获取滚动轴承在不同故障工况下的多个振动信号样本，并对应设置故障分类标签，对多个振动信号样本进行变分模态分解，确定多组一维奇异值故障特征向量样本，构成训练数据集；

将多组训练数据集输入至初始基于分数阶梯度的BP神经网络模型，以一维奇异值故障特征向量样本为输入，以对应的故障分类标签为输出，利用分数阶算法对初始基于分数阶梯度的BP神经网络模型进行分类训练，得到训练完备的基于分数阶梯度的BP神经网络模型；

获取滚动轴承的振动信号，对振动信号进行变分模态分解，确定一维奇异值故障特征向量，将一维奇异值故障特征向量输入至训练完备的基于分数阶梯度的BP神经网络模型，进行滚动轴承故障诊断。

进一步地，对多个振动信号样本进行变分模态分解，确定多组一维奇异值故障特征向量样本，包括：

根据正余弦算法确定变分模态分解的参数，其中，参数为本征模态振动信号分量的个数和惩罚因子；

对振动信号进行变分模态分解，得到多个本征模态振动信号分量；

对多个本征模态振动信号分量进行奇异值分解，确定振动信号的一维奇异值故障特征向量。

进一步地，根据正余弦算法确定变分模态分解的参数，包括：

获取候选解的数量、最大迭代次数、本征模态振动信号分量的个数的下界、惩罚因子的下界和适应度函数；利用正余弦更新函数迭代计算，确定变分模态分解的参数。

进一步地，对多个本征模态振动信号分量进行奇异值分解，确定振动信号的一维奇异值故障特征向量，包括：

根据本征模态振动信号分量，利用希尔伯特变换，确定其对应的初始单边频谱；