[发明专利]一种离心泵内滚动轴承早期故障在线诊断方法

说明书

本发明公开了一种离心泵内滚动轴承早期故障在线诊断方法，包括：信号处理、离线训练和在线诊断三个部分；信号处理包括采集水平振动信号，利用广义S变换与傅里叶逆变换进行振动信号的双时域变换，并重构信号ssubgt;1/subgt;，使用连续小波变换将ssubgt;1/subgt;转换为时频图；离心训练包括搭建深度卷积自编码模型并对模型进行训练，得到编码器模型；在线阶段获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。本发明拥有良好的诊断性能，存在较好的工程应用前景。

技术领域

本发明涉及离心泵内滚动轴承早期故障在线诊断技术，具体为一种基于双时域变换和深度学习的滚动轴承早期诊断方法。

背景技术

滚动轴承作为离心泵的关键零部件之一，起着支撑轴和承受载荷的重要作用，其运行状况直接影响整个泵系统的运转。由于离心泵的工作环境，导致滚动轴承长期处于高转速、高载荷的情形下，故障率大幅提高，因此及时诊断离心泵内滚动轴承早期故障发生是避免离心泵停机带来的巨大损失和影响的有效措施。

故障的发生是一个渐进的过程，在这个过程中传感器采集的振动信号包含大量的故障信息，因此振动信号被广泛用于故障诊断与诊断技术中，而离心泵内的滚动轴承早期故障下的振动信号存在故障特征不明显、故障信号微弱、信噪比低等问题。滚动轴承早期故障诊断主要分为两种：一是基于信号分析的方法，利用信号处理方法对传感器采集信号进行处理或者增强，结合轴承故障的特征频率等先验知识实现轴承早期故障的诊断；二是基于数据驱动的方法，提取采集信号的内部包含的故障特征进行故障诊断，数据驱动方法不需要故障特征频率等先验知识，但数据模型通常需要大量数据进行模型训练和模型优化，需要付出较大的代价才能实现准确的故障诊断。

现有的滚动轴承早期诊断方法已经取得了一定的成效，但在早期故障在线诊断方面仍存在以下问题：(1)在线早期故障诊断过程中存在误报警，识别准确率较低。(2)数据驱动模型在面对不同运行环境的滚动轴承无法自适应早期在线故障诊断，且当前在线故障预警效果大多依靠事先给定阈值。

发明内容

本发明的目的是提出一种离心泵内滚动轴承早期故障在线诊断方法，解决现有离心泵内滚动轴承早期故障在线诊断技术存在的误报警，阈值难以确定等难题。

本发明的目的可通过下列技术方案实现：一种离心泵内滚动轴承早期故障在线诊断方法，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表示，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模型图片训练集，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。

可选地，所述步骤S2具体包括：

(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：