[发明专利]一种离心泵内滚动轴承早期故障在线诊断方法

权利要求书

1.一种离心泵内滚动轴承早期故障在线诊断方法，其特征在于，包括以下步骤：

S1.采集离心泵内滚动轴承水平方向上的振动信号；

S2.对步骤S1中采集的振动信号进行广义S变换和傅里叶逆变换可以得到振动信号的双时域变换矩阵，提取双时域变换矩阵的主对角元素重构故障信号s₁，使用连续小波变换得到信号时频矩阵，绘制时频图；

S3.搭建深度卷积自编码模型，并利用历史数据库，根据步骤S2中的信号处理方法后建立训练集，进行模型训练，计算损失，得到能够提取信号深度特征的编码器模型；

S4.根据步骤S3建立的深度卷积自编码模型提取正常状态下的振动信号的深度特征和当前时刻振动数据的深度特征，计算两者之间的高斯—布雷柯蒂斯距离作为轴承状态健康因子，滑动平均滤波对健康因子曲线进行平滑，利用四分位间距构建自适应异常阈值，得到轴承早期故障诊断结果。

2.根据权利要求1所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S2中具体操作步骤如下：

(a)对一维连续信号s(t)进行S变换，其数学式为：

公式一：

公式一中，τ为控制高斯窗位置的时移系数；f为载波频率；ST(τ,f)为S变换的结果矩阵，i虚数单位；

(b)在广义S变换的基础上引入高斯窗函数的调整因子q和p，则一维连续信号的广义S变换表达式为：

公式二：

(c)由于采集的轴承振动信号x＝x(kt)为离散信号，其中k＝0，1，2，…，n-1，n为信号长度，t为采样时间间隔，对广义S变换做离散化处理，结合傅里叶变换与卷积理论，则公式二表示为：

公式三：

公式三中，H(α+f)表示x(t)的傅里叶变换，α为移位频率；

(d)令f＝n/NT，τ＝kT，则公式三表示为：

公式四：

公式四中，i,m,n＝0,1,2,...,N-1，N为采样点数；T为采样间隔；

(e)对公式四得到的广义S变换的结果，进行傅里叶逆变换得到双时域变换的结果，表达式为：

公式五：

(f)由公式五计算结果得到采集振动信号的双时域变换矩阵，提取该矩阵的主对角线元素实现信号重构；

(g)利用连续小波变换得到重构信号的时频矩阵，并绘制时频图；

公式六：

公式六中，z为尺度参数，v为时间参数，f(t)为变换信号，表示小波基函数，W_f(z,v)是f(t)连续小波变换后的时频矩阵。

3.根据权利要求2所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S3中深度卷积自编码模型由编码器Encoder和解码器Decoder组成；

(a)其中Encoder中包含4个卷积层和1个最大值池化层，输入时频图经Encoder得到图片特征向量z1；

(b)其中Decoder中包含5个反卷积层，输入特征向量z1，经Decoder得到自编码器重构后时频图；

(c)模型最优超参数使用随机搜索方法确定，使用Adam和动态学习率对模型训练进行优化；

(d)计算原始图片与重构图片的均方根损失loss，当loss达到足够小时，代表自编码器模型训练完成。

4.根据权利要求3所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S4中高斯—布雷柯蒂斯距离(Gaussian Bray Curtis Distance，GBC)具体操作步骤如下：

(a)布雷柯蒂斯距离(Bray Curtis Distance，BCD)计算公式如下：

公式七；

公式七中，x，y表示不同状态下的滚动轴承特征向量，BCD用来计算特征向量之间的差异，取值在[0，1]；

(b)在BCD的基础上，引入高斯函数对得到的BCD进行加权，高斯函数的表达式如下：

公式八:

公式八中a，b，c表示高斯函数系数；

(c)其中GBC的计算公式如下：公式九:GBC(x,y)＝f[dist(x,y)]*dist(x,y)。

5.根据权利要求4所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S4中基于滑动平均滤波的四分位数自适应异常阈值早期故障诊断方法具体操作步骤如下：

(a)计算正常状态与当前状态的GBC，并记录得到健康因子序列HI：

公式十:HI＝GBC[normal_HI,current_HI(i)](i＝1,2,3,...,N)

公式十中，normal_HI为正常状态特征向量，current_HI(i)为当前时刻滚动轴承特征向量；

(b)利用滑动平均滤波对HI进行平滑处理：

公式十一:

公式十一中，filter(u)为平滑后的HI序列，width为进行滑动平均滤波的窗口长度；u表示HI序列索引；

(c)计算filter(u)的较大四分位数，作为早期故障发生的异常阈值L；

(d)将平滑后的HI与异常阈值L进行比较：

若S＝-1则视为故障状态，S＝1则视为正常状态。