一种基于S变换诊断轴承潜在故障的方法与流程

本发明涉及轴承故障分析领域，特别涉及一种基于s变换诊断轴承潜在故障的方法。

背景技术：

具有旋转部件的机器由于长时间使用而会随着时间的流逝而磨损，即使维护和/或定期修理机器也是如此。某些机器在使用过程中不会受到磨损的监视，而仅在使用之间进行检查。例如，某些车辆(例如机车)中的涡轮增压器可能没有仪器来监测涡轮增压器运行期间的振动，轴承温度或转子响应。轴承的过度磨损会导致转子不稳定，高排量和最终的摩擦，从而可能导致涡轮增压器故障。由异物损坏(fod)或涡轮叶片上过多的沉积物引起的高度不平衡也会导致高轴运动，轴承磨损以及由于与固定零件的旋转接触而导致的最终故障。

现有技术中专利公开了一种基于双类特征融合诊断的柱塞泵故障诊断系统，该系统通过加速度传感器将泵的振动信号转变为电信号，用双类特征提取方式提取信号的小波包相对能量谱和小波包相对特征熵两类特征进行故障诊断。该系统实际操作需要将加速度传感器与泵体连接，振动信号的特征与连接位置有很大关系，因此，要想准确监测某个故障需要在泵体多个位置操作，过程繁琐而且耗时，大多数情况下还需要专业操作人员进行监测。

现有技术中专利公开了一种基于长短时记忆循环神经网络的轴承早期故障识别方法。对轴承振动信号进行采集后提取常用的时域特征，利用时域特征和熵特征构建特征数据集并作为训练样本对lstm循环神经网络进行训练。通过训练好的lstm循环神经网络对故障发生时刻进行识别。该发明将振动信号的传统特征和熵特征进行结合,在保证振动特征量物理意义的情况下,准确反映轴承当前状态。但对于干扰信号所造成的误判无法有效辨别。

技术实现要素：

针对现有技术中存在的不足，本发明提供了一种基于s变换诊断轴承潜在故障的方法，通过s变换时频分析将故障信息分解为包含时域和频域信息的二维矩阵，有益于观测故障初生时信号的变化。

本发明是通过以下技术手段实现上述技术目的的。

一种基于s变换诊断轴承潜在故障的方法，包括如下步骤：

采集不同故障类型的轴承的振动信号xj(t)，利用小波消噪对振动信号xj(t)进行滤波得xj(m)，其中j为故障种类；

对滤波后的xj(m)信号进行s变换，得到第j故障类型的时域和频域的特征向量集；

将得到第j故障类型的时域和频域的特征向量作为sae深度学习模型的输入进行数据降维处理得到数据集xj；

将不同故障类型的数据集xj组成样本数据集，样本数据集和故障类型作为支持向量机的输入，训练得到轴承故障识别模型；

利用轴承故障识别模型对未知故障的轴承振动信号进行识别。

进一步，对滤波后的xj(m)信号进行s变换，具体步骤如下：

对信号xj(m)进行离散傅里叶变换得xj[k]：

式中k为频谱的频点，取值为自然数0，1，…，n-1；n为采样点数；

将xj(m)和xj[k]进行s变换，具体如下：

式中：t为采样周期；n为采样点数；

m为时间采样点序号，取值为自然数0，1，…，n-1；

n为频率采样点序号，取值为自然数0，1，…，n-1；

为第j故障类型的时域和频域的矩阵向量集，其中mt表示时域序列，表示频率序列。

进一步，将第j故障类型的时域和频域的矩阵向量集作为sae深度学习模型的输入，其中：mt作为sae深度学习模型的输入层元素的个数，作为sae深度学习模型的输入样本的个数。

进一步，所述支持向量机为libsvm；通过交叉验证网格寻优图优化得出构建的轴承故障识别模型的正则化参数c和高斯核参数γ。

本发明的有益效果在于：

1.本发明所述的基于s变换诊断轴承潜在故障的方法，通过s变换时频分析将故障信息分解为包含时域和频域信息的二维矩阵，有益于观测故障初生时信号的变化。

2.本发明所述的基于s变换诊断轴承潜在故障的方法，通过sae深度学习模型将数据降维，构建基于libsvm故障分类模型，对轴承故障识别有实际应用价值。

附图说明

图1为本发明所述的基于s变换诊断轴承潜在故障的方法的流程图。

图2为本发明所述的小波消噪前后对比图。

图3为本发明所述的sae深度学习模型。

图4为本发明所述的交叉验证网格寻优图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明所述的基于s变换诊断轴承潜在故障的方法，包括如下步骤：

采集不同故障类型的轴承的振动信号xj(t)，利用小波消噪对振动信号xj(t)进行滤波得xj(m)，其中j为故障种类；

对滤波后的xj(m)信号进行s变换，得到第j故障类型的时域和频域的特征向量集；

将得到第j故障类型的时域和频域的特征向量作为sae深度学习模型的输入进行数据降维处理得到数据集xj；

将不同故障类型的数据集xj组成样本数据集，样本数据集和故障类型作为支持向量机的输入，训练得到轴承故障识别模型；

利用轴承故障识别模型对未知故障的轴承振动信号进行识别。

实施例：

某电机驱动端轴承为深沟球轴承，型号为6324c3，滚子个数n＝12，内径d＝120mm，外径d＝260mm，接触角β＝0°。采样频率为2000hz，电机转速1450r/min。分别对轴承的不同故障采集振动信号xj(t)，j表示故障类型，其中不同故障包括：正常状态，保持架故障，滚动体故障，外圈故障，内圈故障。x1(t)为正常状态，x2(t)为保持架故障，x3(t)为滚动体故障，x4(t)为外圈故障和x5(t)为内圈故障。

下面，将针对轴承内圈故障展开详细描述。

对所采集到的轴承内圈故障信号x5(t)进行小波消噪得到x5(m)，如图2所示。

对信号x5(m)进行离散傅里叶变换得x5[k]：

式中k为频谱的频点，取值为自然数0，1，…，n-1；n为采样点数；

将x5(m)和x5[k]进行s变换，具体如下：

式中：t为采样周期；n为采样点数；

m为时间采样点序号，取值为自然数0，1，…，n-1；

n为频率采样点序号，取值为自然数0，1，…，n-1；

为第5故障类型的时域和频域的矩阵向量集，其中mt表示时域序列，表示频率序列。

如表1所示，轴承内圈故障数据经过上述s变换得到矩阵部分数据。其中表1横方向的代表时间序列mt，表1纵方向的代表频率序列

表1内圈故障经s变换后的部分数据

将得到第5故障类型的时域和频域的特征向量作为sae深度学习模型的输入进行数据降维处理得到数据集x5；即将表1中的第5故障类型的时域和频域的矩阵向量集作为sae深度学习模型的输入，其中：mt作为sae深度学习模型的输入层元素的个数，作为sae深度学习模型的输入样本的个数。图4为所述sae深度学习模型。通过matlab自带软件包进行降维处理得到数据集x5。其中输入层的点数为隐含层点数为1000，输出层点数为40。

对正常状态，保持架故障，滚动体故障，外圈故障的数据进行上述步骤操作，将不同故障类型的数据集xj组成样本数据集，得到如表2所示的样本数据集。

表2x数据集部分数据

将样本数据集与所对应故障类别作为libsvm的输入进行训练。其中每一类故障所用样本总数为1000，训练样本数800，测试样本数为200。所述libsvm模型为matlab自带多分类支持向量机软件包。

通过libsvm构建轴承故障分类器需要对正则化参数c高斯核参数γ这两个参数进行寻优。本发明利用交叉验证网格寻优图进行参数寻优。其原理是选取一定范围内的c和γ参数组合进行模型的训练，最终得到的模型分辨率最高的参数可作为最优参数。图4为交叉验证网格寻优图。横轴表示不同γ参数，纵轴表示不同c参数，中间方块所示为不同c，γ组合下的模型分辨率。其中此次实施例c，γ的取值为0.001,0.01,0.1,1,10,100。此次实施列，当c为100，γ为0.01是模型分辨率最高，为97％。但c，γ的取值不局限于此6个数，可根据所需模型的精度进行调整。

构建不同型号的轴承故障识别模型，并组成轴承故障数据库。

利用轴承故障识别模型识别未知故障的轴承振动信号，判断故障类型。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。