基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法

1.本发明属于机械系统故障诊断与信号处理技术领域，具体地说，涉及一种基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法。


背景技术：

2.在现代化大生产的背景下，滚动轴承是许多机械装备中必不可少的部件之一，作为航空航天发动机、高精度数控机床、风力发电设备等旋转机械的关键部件，发挥着至关重要的作用。随着轴承使用时间的增加，轴承部件会经历各种形式的损坏，譬如疲劳剥落、塑性变形、裂纹及断裂、点蚀等，这些情况使轴承成为机器设备中最为脆弱的几种部件之一。轴承一旦发生损坏，会造成机器性能明显降低和寿命缩短，甚至发生重大事故，造成重大经济损失并危及人身安全。因此，对滚动轴承进行故障诊断具有十分重要的意义。
3.传统的滚动轴承振动信号检测主要以时频域分析法为主，即对传感器采集到的振动信号进行时域图和各种不同方法的频域图的绘制，计算对应条件下的轴承故障特征频率，并在图中找出对应的基频和倍频信号，与计算得出的故障特征频率进行对比，依此来确定故障类型。但在强噪声的干扰下，仅仅依靠单纯的时频域分析不能分离出隐藏在噪声中的故障频率的幅值。因此，针对采集到的振动信号，要先进行针对多种不同性质噪声的降噪处理，再采用时频域分析法来判断故障类型。而现阶段流行的基于深度学习的故障诊断方式，相较于人工判断而言，具有特征提取能力强和故障识别效率高的显著优点。


技术实现要素：

4.本发明提出一种基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法，针对强噪声干扰下不同故障类型的振动信号数据，通过对振动信号进行完全自适应噪声集合经验模态分解，将分解得到的本征模态函数分量依据包络峭度的大小进行重组，再对重组信号进行变分模态分解，以局部最大包络谱峭度为筛选标准得到合适的本征模态函数分量，即为去除平稳性噪声和冲击噪声的纯净的振动信号。接着提取振动信号的奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵并组成一个表示轴承状态的状态特征向量矩阵。然后利用长短期记忆网络对该样本集进行训练，实现对不同故障状态的准确识别。
5.为实现上述目的，本发明所采用的技术方案如下：
6.(a)采集滚动轴承在正常运转和不同故障状态下的振动信号，对获得的振动信号进行分类，以获得轴承正常运转和不同故障状态下振动信号的初始数据集；
7.(b)对振动信号进行完全自适应噪声集合经验模态分解，分解得到多个本征模态函数分量，再以包络峭度为参数指标，筛选出大于原始振动信号包络峭度的本征模态函数分量，并将其重组为新的振动信号；
8.(c)对重组的振动信号进行变分模态分解，分解得到多个新的本征模态函数分量，
再以局部最大包络谱峭度为参数指标，筛选出拥有最大包络谱峭度的本征模态函数分量作为最终的振动信号；
9.(d)提取处理后的振动信号的时频域特征熵值，即奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵，生成不同故障状态的状态特征向量矩阵；
10.(e)构建滚动轴承长短期记忆网络模型，并将状态特征向量矩阵作为神经网络模型的输入，对应的故障状态标签作为滚动轴承长短期记忆网络的期望输出，对滚动轴承长短期记忆网络进行训练；
11.(f)采集当前滚动轴承的振动信号，采用步骤(b)、(c)、(d)中的相同的方法构造其状态特征向量矩阵；并将矩阵输入至步骤(e)训练好的滚动轴承长短期记忆网络模型中，得到当前滚动轴承的故障诊断结果。
12.作为一种优选的技术方案，在步骤(a)中，采集各故障状态的振动信号数据前，先采集轴承正常运转状态下的振动信号数据，再依次按照内圈、滚动体、外圈故障三种故障状态进行轴承故障数据的采集；在采集完正常数据和三类故障数据后，对数据进行预处理，包括：对振动信号的初步去噪处理；振动信号保留四位小数；
13.作为一种优选的技术方案，在步骤(b)中，对振动信号进行完全自适应噪声集合经验模态分解，在分解后得到的本征模态函数分量中选择最佳本征模态函数时，计算每一个本征模态函数分量与原始振动信号的包络峭度并以此进行判断，得到符合要求的本征模态函数分量，将其重组为新的振动信号，该振动信号相较原始振动信号而言去除了平稳性噪声的干扰；
14.作为一种优选的技术方案，在步骤(c)中，对重组的振动信号进行变分模态分解，分解得到多个新的本征模态函数分量，再以局部最大包络谱峭度为参数指标，筛选出拥有局部最大包络谱峭度的本征模态函数分量，并将其作为最终的振动信号。相较原始信号而言，该振动信号去除了平稳性噪声和冲击噪声的干扰，为纯净的振动信号；
15.作为一种优选的技术方案，在步骤(d)中，提取处理后的振动信号的综合时频域特征熵值，即奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵，生成不同故障状态的状态特征向量矩阵；
16.作为一种优选的技术方案，在步骤(d)中，构建的状态特征向量矩阵是基于多种时频域特征的熵值组合而成，形如；
17.其中，svde奇异谱熵值，ae的值为近似熵值，se为样本熵值，fe为模糊熵值，ee为包络熵值，me为多尺度散步熵值。
18.作为一种优选的技术方案，在步骤(e)中，使用的长短期记忆网络是一种改进的循环神经网络模型，该模型包括一个输入层、一个输出层和若干个隐含层，隐含层由记忆单元构成，记忆单元负责存储状态信息，并沿着时间轴传递。
19.采用了上述技术方案，本发明的有益效果为：
20.本发明采用完全自适应噪声集合经验模态分解和变分模态分解两种模态分解方法，在强噪声干扰下的振动信号中成功去除了平稳性噪声和冲击噪声，提取出了相对纯净的振动信号；
21.本发明提出将不同故障状态的奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵构建滚动轴承状态特征向量矩阵，该状态特征向量矩阵包含了轴承的不同故障类
型信息，对该状态特征向量矩阵进行分析，可以降低提取故障特征的难度，更好地解决了强噪声干扰下振动信号中故障微弱时诊断不准确的问题；
22.本发明通过构建轴承状态特征向量矩阵，大大降低了数据特征提取的难度，有效地提高了长短期记忆网络的训练效率。同时可以有效地解决原始数据集缺少、样本不平衡问题；
23.本发明构建的滚动轴承长短期记忆网络，包括一个输入层、一个输出层和若干个隐含层，隐含层由记忆单元构成；能够学习长期时序依赖，受到梯度消失和梯度爆炸的影响相较普通循环神经网络而言较小，拥有更好的网络性能。
24.本发明分别采集轴承正常运转和三种故障状态的振动信号数据，并从中提取时频域特征熵值，再采用长短期记忆网络进行学习，从而保证本方法可以对轴承的故障状态进行预测。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，此处所描述的实施例仅用于说明和解释发明，并不用于限定本发明。
26.图1是按照本发明的优选实施例所构建的故障诊断方法流程图；
27.图2是按照本发明的优选实施例所采集的滚动轴承内圈故障的时域图；
28.图3是按照本发明的优选实施例经过完全自适应噪声集合经验模态分解后本征模态函数包络峭度的对比柱状图。
29.图4是按照本发明的优选实施例经过完全自适应噪声集合经验模态分解后重组的信号的时域图。
30.图5是按照本发明的优选实施例经过变分模态分解后本征模态函数分量包络谱峭度的对比柱状图。
31.图6是按照本发明的优选实施例经过变分模态分解后最终的信号的时域图。
32.图7是按照本发明的优选实施例所构建的滚动轴承长短期记忆网络模型示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.对本实施例的术语进行说明，其中：完全自适应噪声集合经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise，ceemdan)，变分模态分解(variational mode decomposition，vmd),本征模态函数(intrinsic mode function，imf)，长短期记忆网络(long short-term memory，lstm)。
35.如图1所示为按照本发明的优选实施例所构建的基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法的流程图。包括以下步骤：
36.步骤1：按采样频率12000hz采集skf-6203-2rs深沟球轴承正常运转和不同故障状
态下的振动信号。并对每个振动信号进行预处理，包括对振动信号的去噪处理；对振动信号小数点后四位小数进行四舍五入处理。处理后的内圈故障振动信号的时域图如图2所示。
37.步骤2：对振动信号进行完全自适应噪声集合经验模态分解，并计算各本征模态函数分量和原始信号的包络峭度，并将各本征模态函数分量的包络峭度与原始信号进行比对，对比柱状图如图3所示。从图中可以看出，第一、二、三、五、六、九、十和第十四本征模态函数分量的包络峭度值高于原始信号的包络峭度值，因此，将上述本征模态函数分量进行重组，重组后振动信号的时域图如图4所示。
38.步骤3：对重组后得到的振动信号进行变分模态分解，并且计算各本征模态函数分量的包络谱峭度，如图5所示。从图中可以看出，第三本征模态函数分量拥有最大包络谱峭度，因此选择其为最终的振动信号，该信号时域图如图6所示。
39.步骤4：提取完成去噪后最终的振动信号的时频域特征熵值，即奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵，并将熵值组成特征状态向量矩阵。
40.步骤5：构建滚动轴承长短期记忆网络模型，如图7所示。将状态特征向量矩阵作为该滚动轴承长短期记忆网络模型的输入，对应的故障标签作为滚动轴承长短期记忆网络的期望输出，对滚动轴承长短期记忆网络进行训练。
41.步骤6：采集当前滚动轴承的振动信号，并通过上述步骤1、2、3、4中的状态特征向量矩阵构建方法，构建正常运转和不同故障状态下的状态特征向量矩阵。输入步骤5中训练好的长短期记忆网络模型中进行故障诊断。
42.进一步地，步骤2中，完全自适应噪声集合经验模态分解是加入经过经验模态分解后含辅助噪声的本征模态分量，而不是将高斯白噪声信号直接添加在原始信号中，再在得到的第一阶本征模态分量后就进行总体平均计算，得到最终的第一阶本征模态分量分量，并不断计算直至得出解。
43.进一步地，步骤3中，在变分模态分解中，将本征模态函数定义为一个有带宽限制的调频函数，通过构造并求解约束变分问题，将原始信号分解为指定个数的本征模态函数分量。
44.进一步地，步骤4中，提取熵值时所采用的数据长度为100，因而每100个振动信号可以提取出8个时频域特征熵值，可以根据自己的要求进行灵活修改。
45.进一步地，步骤5中，故障标签是lstm模型的期望输出。它是一个一维向量，向量中由0、1两种元素组成，向量中元素的个数是轴承运行状态的类别数。以4个轴承运行状态类别为例，分别为：正常运转、内圈磨损、滚动体磨损、外圈磨损。标签设置如下：(其中每个故障标签中0的个数为3个)轴承正常运转的故障标签为[1,0,0,0]，内圈磨损的故障标签为[0,1,0,0]，滚动体磨损形成的故障标签为[0,0,1,0]，外圈磨损形成的故障标签为[0,0,0,1]。
[0046]
进一步地，步骤6中，长短期记忆网络模型见图5，最终的输出层输出一个一维向量，向量中的元素表示它是该故障类型的概率，并根据该向量进行故障诊断和故障预测。如上述的三类轴承故障类型为例，最终输出的一维向量为[0.05,0.90,0.05，0]。结合步骤6中的故障标签，可知该向量表示本次诊断结果为：轴承是正常运转的概率为5％，是内圈磨损的概率为90％，是滚动体故障的概率为5％，是外圈磨损的概率为0％。因此最终可以判断出，该故障类型为内圈，与实际一致。
[0047]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。