[发明专利]一种滚动轴承故障诊断方法

说明书

本发明公开了一种滚动轴承故障诊断方法，包括实验台搭建、信号重构、模型提取、故障诊断与验证，搭建滚动轴承故障模拟实验台，采集模拟实验台原始振动信号；采用双树复小波包变换对振动信号进行分解得到高频小波系数，再对高频小波系数进行阈值降噪，对降噪后的小波系数进行重构，得到降噪后的重构信号；对重构信号建立循环谱相干二维特征提取模型；采用多尺度卷积核搭建多卷积层并行结构，提取不同尺度的输入特征，构建多尺度卷积神经网络进行故障类型诊断，并确定诊断准确率；对比不同工况下输入和输出轴轴承的诊断准确率，验证本方法的稳定性与泛化能力。本发明可以提高滚动轴承故障诊断的准确率，具有很好的泛化能力。

技术领域

本发明涉及轴承故障诊断技术领域，特别涉及一种滚动轴承故障诊断方法。

背景技术

滚动轴承故障诊断方法是一种基于双树复小波包变换阈值降噪、循环谱相干和多尺度卷积神经网络的方法，滚动轴承在航天、工业等关键领域的机械设备中得到广泛应用。因工况复杂且工作强度高，滚动轴承易产生故障，对其进行准确的故障诊断是保证设备安全高效运行的关键。滚动轴承振动信号受到其他各类零部件耦合干扰，如何消除噪声，获得与健康状况良好相关的合适特征并进行准确的预测是当前的挑战，随着科技的不断发展，人们对于滚动轴承故障诊断方法的制造工艺要求也越来越高。

现有的滚动轴承故障诊断方法在使用时存在一定的弊端，目前的故障诊断提取信号特征时，常采用小波分析抑制噪声的方法，但是对于系统中零部件协同运转、工作环境干扰和包含大量噪声的情况，并不能保证良好的降噪效果和较强特征分离与提取能力。对降噪后的信号进行时频域特征的选取时，通常采用对比每组信号，依据特征区别度进行选择的方法，但这类方法在前期预处理工作中，针对不同实际问题都需重新实验拟定新特征，泛化能力较差，且耗费了大量时间进行人工选择，具有主观性。目前常采用的二维特征表达方法有连续小波变换、改进 D-S 证据融、灰度图像、红外热图像等方法，但这些方法逐渐偏离了基于振动信号的诊断方法，同时灰度、红外等表面图像无法监测内部信息。在状态识别方面，ANN、SVM、k-最近邻 (kNN)和概率图模型 (PGM)等传统理论方法受限于浅层架构，在愈发复杂的应用场景中，很难从原始高维输入中有效地学习区分特征，并且其诊断性能依赖于诊断的专业经验知识和诊断特征的选择。在利用卷积神经网络(CNN)进行分类识别过程中，使用卷积层提取特征时，卷积核尺度的唯一性使时空信息丢失，忽略了大量有价值的局部信息，导致模型分类性能的下降，给人们的使用过程带来了一定的不利影响，为此，我们提出一种滚动轴承故障诊断方法。

发明内容

解决的技术问题：针对现有技术的不足，本发明提供了一种滚动轴承故障诊断方法，可以提高滚动轴承故障诊断的准确率，具有很好的泛化能力，可以有效解决背景技术中的问题。

技术方案：为实现上述目的，本发明采取的技术方案为：一种滚动轴承故障诊断方法，包括以下操作步骤：

S1：实验台搭建：搭建滚动轴承故障模拟实验台，采集模拟实验台原始振动信号；

S2：信号重构：采用双树复小波包变换对所述振动信号进行分解得到高频小波系数，再对所述高频小波系数进行阈值降噪，对降噪后的小波系数进行重构，得到降噪后的重构信号；

S3：模型提取：对所述重构信号建立循环谱相干二维特征提取模型；

S4：故障诊断：采用多尺度卷积核搭建多卷积层并行结构，提取不同尺度的输入特征，构建多尺度卷积神经网络进行故障类型诊断，并确定诊断准确率；

S5：验证：对比不同工况下输入和输出轴轴承的诊断准确率，验证本方法的稳定性与泛化能力。

作为本申请一种优选的技术方案，所述S1步骤中输出轴原始振动信号用振动传感器测定，所述原始振动信号包括滚动轴承正常状态、外圈裂纹、内圈裂纹、滚子裂纹和混合故障状态五种类型，其中混合故障状态包括外圈裂纹、内圈裂纹和滚子裂纹中至少两种类型。

作为本申请一种优选的技术方案，所述S2步骤中双树复小波包变换是在双树复小波变换的基础上改进，通过离散小波实部与虚部并行变换实现信号的分解和重构。