滚动轴承故障模式识别方法、系统、电子设备及存储介质与流程

1.本发明涉及机械设备故障模式识别技术领域，特别涉及一种滚动轴承故障模式识别方法、系统、电子设备及存储介质。


背景技术：

2.炼化企业的数字化转型对预测性维修提出了新的要求，机械零部件智能化故障诊断是预测性维修的基础。故障识别是智能故障诊断中最关键的一步，它能准确、有效地挖掘出丰富的设备故障信息，找出不同类别的样本群在特征空间中的分布区域和边界，为后续的决策知识库构建提供最重要的参考和指导。滚动轴承作为旋转机械中应用最为重要的零部件，故障率较高，其一旦发生故障，将直接影响整个机械设备的工作状态，甚至造成停机事故，影响装置的安全稳定生产。常见的旋转机械设备故障中，因滚动轴承失效而发生的故障高达70％。因此，深入研究滚动轴承故障模式识别技术，对设备预测性维修、保证设备平稳运行、减少事故和经济损失有重要意义。
3.在实际工程应用中，在设备的使用期限内不一定能采集到所有类型的故障信号，并且由一种设备构建的故障模式识别方法对不同设备不同工况的轴承信号适用性不高。如果对每一台设备都构建一种不同的故障模式识别方法，则经济和时间成本过高而无法实现。在企业生产过程中，实现跨设备不同工况滚动轴承故障模式识别还存在一定的技术挑战。目前许多基于时-频域分析和深度学习的故障模式识别方法和状态监测系统还依赖于大量的外部专家的经验知识，还未能真正做到故障模式的自动识别。此外，很多故障识别模型因设备不同而异，泛化性较差，难以实现工业化应用。
4.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。


技术实现要素：

5.本发明的目的之一在于，提供一种滚动轴承故障模式识别方法、系统、电子设备及存储介质，从而减少滚动轴承故障模式识别对外部专家的经验的依赖。
6.本发明的另一目的在于，提供一种滚动轴承故障模式识别方法、系统、电子设备及存储介质，从而改善现有技术中滚动轴承故障识别的泛化性较差、难以实现工业化应用的问题。
7.为实现上述目的，根据本发明的第一方面，本发明提供了一种滚动轴承故障模式识别方法，其包括：构建信号处理模型；将滚动轴承原始振动信号数据输入信号处理模型进行计算；基于计算结果，采用离线训练构建故障模式分类知识库；以及将滚动轴承在线监测振动信号输入信号处理模型进行计算，结合故障模式分类知识库，进行故障模式识别。
8.进一步，上述技术方案中，信号处理模型包括：利用优化的vmd方法将输入信号分解为k个imf分量；筛选imf分量进行信号重构；以及计算重构信号的rcmde值。
9.进一步，上述技术方案中，确定分解层数k包括：利用峭度最大值计算确定vmd方法
中分解层数k的预设取值范围，峭度的计算公式为：
[0010][0011]
式中，ci(t)是vmd的第i个imf分量，是ci的偏差，是ci的平均值，n是信号ci(t)的长度；以及根据k的预设取值范围，利用鲸鱼优化算法自适应选取vmd分解层数k和惩罚因子α。
[0012]
进一步，上述技术方案中，采用相关系数法筛选imf分量中相关系数最大的三个imf分量进行信号重构，相关系数的计算公式为：
[0013][0014]
式中，x(t)是原始振动信号，σ
x
是x(t)的偏差，是x(t)的平均值。
[0015]
进一步，上述技术方案中，rcmde值的计算公式为：
[0016][0017]
式中，c是类别，m是嵌入维数，为粗粒化序列的散布模式π的概率的平均值。
[0018]
进一步，上述技术方案中，采用离线训练构建故障模式分类知识库包括：将滚动轴承原始振动信号数据集计算得到的rcmde值输入优化的svm分类器进行离线训练；构建rcmde值和滚动轴承故障模式对应的故障模式分类知识库。
[0019]
进一步，上述技术方案中，svm分类器分别对应正常状态、内圈故障、外圈故障和滚动体故障模式的滚动轴承原始振动信号。
[0020]
进一步，上述技术方案中，采用粒子群算法对svm分类器进行优化。
[0021]
进一步，上述技术方案中，滚动轴承原始振动信号数据包括正常状态数据、内圈故障数据、外圈故障数据和滚动体故障数据。
[0022]
进一步，上述技术方案中，对滚动轴承在线监测振动信号进行故障模式识别包括：将滚动轴承在线监测振动信号计算得到的rcmde值输入经离线训练的svm分类器得到相应的输出值；以及利用最大间隔原则将输出值与故障模式分类知识库进行比较，得到故障模式识别结论。
[0023]
进一步，上述技术方案中，输出值的计算公式如下：
[0024][0025]
式中，xi是样本空间的输入，yi是映射值，αi是拉格朗日乘数，b是偏移向量，k(x,xi)是核函数，γ是核函数带宽。
[0026]
根据本发明的第二方面，本发明提供了一种滚动轴承故障模式识别系统，其包括：数据获取模块，其用于获取滚动轴承原始振动信号数据和滚动轴承在线监测振动信号；模
型训练模块，其用于构建信号处理模型，并基于滚动轴承原始振动信号数据对信号处理模型进行离线训练，构建故障模式分类知识库；以及故障模式识别模块，其用于基于滚动轴承在线监测振动信号、信号处理模型和故障模式分类知识库，进行故障模式识别。
[0027]
进一步，上述技术方案中，信号处理模型为：利用优化的vmd方法将输入信号分解为k个imf分量；筛选imf分量进行信号重构；以及计算重构信号的rcmde值。
[0028]
根据本发明的第三方面，本发明提供了一种电子设备，其包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如上述技术方案中任意一项的滚动轴承故障模式识别方法。
[0029]
根据本发明的第四方面，本发明提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上述技术方案中任意一项的滚动轴承故障模式识别方法。
[0030]
与现有技术相比，本发明具有如下一个或多个有益效果：
[0031]
1.本发明可以利用未经预处理的时间序列的振动数据作为输入，自动识别故障模式，不需依赖外部专家的经验知识，故障识别效果好、准确率高。
[0032]
2.本发明由离线训练模式和在线监测模式组成，能够适用于相同设备不同工况以及不同设备不同工况的滚动轴承故障模式自动识别，具有良好的泛化性。
[0033]
3.本发明利用优化的变分模态分解(vmd)，精细复合多尺度散布熵(rcmde)和优化的支持向量机(svm)构建了故障诊断“黑匣子”模型进行滚动轴承故障模式自动识别。
[0034]
4.本发明首先利用峭度最大值计算确定vmd方法中分解层数k的预设取值范围，然后再利用鲸鱼优化算法根据数据自适应选取vmd分解层数k和惩罚因子α，减少了人为因素的干扰，基于数据本身更好地对原始振动信号处理。
[0035]
5.本发明在分解得到imf分量之后采用相关系数法筛选与原始振动信号相关系数较大的分量进行重构，从而对原始信号进行降噪，提高信噪比，可以更准确地提取振动信号中包含的特征信息，计算重构信号的精细复合多尺度散布熵值，最后利用粒子群算法优化的支持向量机进行故障识别。
[0036]
上述说明仅为本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段并可依据说明书的内容予以实施，同时为了使本发明的上述和其他目的、技术特征以及优点更加易懂，以下列举一个或多个优选实施例，并配合附图详细说明如下。
附图说明
[0037]
图1是根据本发明的滚动轴承故障模式识别方法的流程示意图。
[0038]
图2是根据本发明的实施例的执行滚动轴承故障模式识别方法的电子设备的硬件结构示意图。
具体实施方式
[0039]
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0040]
除非另有其他明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变
换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其他元件或其他组成部分。
[0041]
在本文中，为了描述的方便，可以使用空间相对术语，诸如“下面”、“下方”、“下”、“上面”、“上方”、“上”等，来描述一个元件或特征与另一元件或特征在附图中的关系。应理解的是，空间相对术语旨在包含除了在图中所绘的方向之外物件在使用或操作中的不同方向。例如，如果在图中的物件被翻转，则被描述为在其他元件或特征“下方”或“下”的元件将取向在元件或特征的“上方”。因此，示范性术语“下方”可以包含下方和上方两个方向。物件也可以有其他取向(旋转90度或其他取向)且应对本文使用的空间相对术语作出相应的解释。
[0042]
在本文中，术语“第一”、“第二”等是用以区别两个不同的元件或部位，并不是用以限定特定的位置或相对关系。换言之，在一些实施例中，术语“第一”、“第二”等也可以彼此互换。
[0043]
根据本发明具体实施方式的滚动轴承故障模式识别方法，利用优化的变分模态分解(vmd)，精细复合多尺度散布熵(rcmde)和优化的支持向量机(svm)构建的故障诊断“黑匣子”模型进行滚动轴承故障模式自动识别。参考图1所示，本发明的滚动轴承故障模式识别方法包括：构建信号处理模型；将滚动轴承原始振动信号数据输入信号处理模型进行计算；基于计算结果，采用离线训练构建故障模式分类知识库；以及将滚动轴承在线监测振动信号输入信号处理模型进行计算，结合故障模式分类知识库，进行故障模式识别。
[0044]
进一步地，在本发明的一个或多个示例性实施方式中，信号处理模型包括：利用优化的vmd方法将输入信号分解为k个imf分量；筛选imf分量进行信号重构；以及计算重构信号的rcmde值。
[0045]
本发明的一个或多个示例性实施方式中，本发明的滚动轴承故障模式识别方法包括离线训练和在线监测两种工作模式。
[0046]
离线训练模式
[0047]
第一步，滚动轴承原始振动信号数据组成训练数据集，包括正常状态数据、内圈故障数据、外圈故障数据和滚动体故障数据。
[0048]
第二步，利用峭度最大值计算确定vmd方法中分解层数k的预设取值范围，峭度的计算公式为：
[0049][0050]
式中，ci(t)是vmd的第i个imf分量，是ci的偏差，是ci的平均值，n是信号ci(t)的长度；
[0051]
第三步，根据k的预设取值范围，利用鲸鱼优化算法(woa)自适应选取vmd分解层数k和惩罚因子α，将滚动轴承原始振动信号数据分解为k个imf分量；
[0052]
第四步，采用相关系数法筛选各个健康状态的imf分量中相关系数最大的三个imf分量进行信号重构，相关系数的计算公式为：
[0053][0054]
式中，x(t)是原始振动信号，σ
x
是x(t)的偏差，是x(t)的平均值。
[0055]
第五步，计算重构信号的rcmde值，rcmde值的计算公式为：
[0056]
式中，c是类别，m是嵌入维数，为粗粒化序列的散布模式π的概率的平均值。
[0057]
第六步，将滚动轴承原始振动信号数据集计算得到的rcmde值输入粒子群算法(pso)优化的svm分类器进行离线训练。正常状态、内圈故障、外圈故障和滚动体故障模式的滚动轴承原始振动信号分别对应四个svm分类器。同时构建rcmde值和滚动轴承故障模式对应的故障模式分类知识库。
[0058]
在线监测模式
[0059]
第一步，将未经过预处理的滚动轴承在线监测振动信号输入信号处理模型。
[0060]
第二步，在信号处理模型中，利用woa算法优化vmd分解层数k和惩罚因子α，将未经过预处理的滚动轴承在线监测振动信号分解为k个imf分量。
[0061]
第三步，采用相关系数法筛选imf分量进行信号重构。对于正常状态数据，前三个imf分量相关系数较大，选择前三个分量重构；对于外圈、内圈和滚动体故障数据，后三个imf分量相关系数较大，选择后三个分量重构。
[0062]
第四步，计算重构信号的rcmde值。
[0063]
第五步，将滚动轴承在线监测振动信号计算得到的rcmde值输入经离线训练的四个svm分类器，利用pso算法对svm中的核函数带宽γ和惩罚因子α进行寻优，基于适应度函数，不断优化svm参数，直至精度达到最佳。得到相应的四个输出值，输出值的计算公式如下：
[0064][0065]
式中，xi是样本空间的输入，yi是映射值，αi是拉格朗日乘数，b是偏移向量，k(x,xi)是核函数，γ是核函数带宽。
[0066]
第六步，利用最大间隔原则将输出值与故障模式分类知识库进行比较，得到故障模式识别结论。若四个输出值中只有一个+1类，则识别为该输出值对应的故障模式，若四个结果中不止一个+1类或没有+1类，则识别为四个输出值中最大值对应的故障模式。
[0067]
根据本发明具体实施方式的滚动轴承故障模式识别系统，其包括：数据获取模块，其用于获取滚动轴承原始振动信号数据和滚动轴承在线监测振动信号；模型训练模块，其用于构建信号处理模型，并基于滚动轴承原始振动信号数据对信号处理模型进行离线训练，构建故障模式分类知识库；以及故障模式识别模块，其用于基于滚动轴承在线监测振动信号、信号处理模型和故障模式分类知识库，进行故障模式识别。
[0068]
进一步地，在本发明的一个或多个示例性实施方式中，信号处理模型为：利用优化的vmd方法将输入信号分解为k个imf分量；筛选imf分量进行信号重构；以及计算重构信号的rcmde值。
[0069]
本发明利用未经过预处理的时间序列原始振动数据作为故障识别模型的输入，可以自动输出故障识别结论，实现基于“黑匣子”原理的故障自动识别，不需依赖外部专家的经验知识，能自动实现滚动轴承的故障识别。本发明为大数据环境下，工业应用中不同旋转机械设备滚动轴承故障诊断提供了一条可行的道路。在工业互联网环境下，在设备预测性维修领域，对于制定正确的维修策略、确定最佳的维修时间和维修内容，进而预防设备事故发生具有重要的意义。本发明提出的技术方案能及时识别滚动轴承早期故障，对于保障设备安全运行、减少停机维修时间、减少事故发生和避免设备事故导致的经济损失具有重要的意义。
[0070]
下面以具体实施例的方式更详细地说明本发明的滚动轴承故障模式识别方法、系统、电子设备及存储介质，应了解的是，实施例仅为示例性的，本发明并不以此为限。
[0071]
实施例1
[0072]
本实施例中采用美国凯斯西储大学(cwru)滚动轴承公开数据平台的数据作为训练数据集；采用cwru实验平台其他工况数据作为测试数据集(滚动轴承在线监测振动信号数据)。具体的实验参数如下：
[0073]
cwru实验台由电动机、扭矩编码器和测功机等组成。滚动轴承的采样频率为12khz，轴承型号为skf 6205，故障和采样位置均在轴承的驱动端。所获取的原始振动信号数据包括滚动轴承在正常状态、内圈故障、外圈故障和滚动体故障四种状态下的数据。基于轴承转速和传感器采样频率可以推断出，轴承旋转1周，数据采集器大约采集400个采样点。为了保证单个模型测试样本的长度能够完整、准确地记录轴承在特定健康状态的振动数据，取2048个采样点作为一个模型测试样本的长度。
[0074]
离线训练模式
[0075]
表1训练数据集说明
[0076][0077]
将cwru实验平台的四种健康状态、四种工况转速的原始振动信号数据作为本实施例的训练数据集，每种健康状态包含120组样本，共480组样本，如表1所示。利用峭度最大值计算确定vmd方法中分解层数k的预设取值范围为[5,8]。根据k的预设取值范围，利用鲸鱼优化算法(woa)自适应选取vmd分解层数k和惩罚因子α，将滚动轴承原始振动信号数据分解为k个imf分量。采用相关系数法筛选各个健康状态的imf分量中相关系数最大的三个imf分量进行信号重构。计算重构信号的15个尺度rcmde值。rcmde值与以下参数有关：嵌入维数m，类别c，时延d和最大尺度因子τ
max
。为了rcmde值能更好的表征轴承的正常或故障状态，本实施例的参数选择为m＝3，c＝6，d＝1，τ
max
＝15。综合计算时间和特征信息对故障识别准确率的影响考虑，选用前五个尺度的rcmde值作为样本的特征向量，将其输入到粒子群算法优化的svm分类器中进行训练，训练得到a，b，c，d四个svm分类器和四分类的故障模式分类知识
库。
[0078]
在线监测模式
[0079]
表2测试数据集
[0080][0081]
选用cwru其余工况实验数据作为测试数据(在线监测振动信号)。测试数据如表2所示，为采样频率48khz的驱动端skf6205轴承数据，转速1797rpm，负载0hp，正常状态，外圈故障，内圈故障和滚动体故障数据各30组，每组数据长度2048，共120组数据作为测试数据集。利用woa算法优化参数组合取值为[k,α]＝[5,2000]，将测试数据分解为5个imf分量。采用相关系数法筛选imf分量进行信号重构。计算重构信号的rcmde值，参数选择与离线训练模式中相同。选择前五个尺度的rcmde值作为特征向量输入训练好的分类器，得到故障识别结论。
[0082]
计算得到测试数据集的故障识别准确率为100％。结果表明，本发明的滚动轴承故障模式识别方法对于识别同源数据非常有效，可以准确识别所有故障模式。此外，当采用不同的采样频率时，该方法具有良好的振动信号识别效果。
[0083]
实施例2
[0084]
本实施例的训练数据集与实施例1相同；测试数据集采用ims滚动轴承实验数据。ims实验台在轴上安装了四个rexnord za-2115双列轴承。弹簧用于向其中两个轴承施加26689n的径向载荷，同时在每个轴承上沿x和y轴安装了两个高灵敏度的pcb353b33quartz icp加速度计。交流电机通过橡胶带连接到轴，使转速保持恒定的2000rpm，采样频率为20khz。测试数据中包含三个数据集，第一组实验轴承有8个采集通道，选择6通道采集的内圈故障数据和8通道采集的滚动体故障数据；第二组实验轴承有4个采集通道，选择1通道发生故障后采集的外圈故障数据和未发生故障时的正常数据，四种状态的轴承数据各30组，每组数据文件长度为20480。利用woa算法优化参数组合取值为[k,α]＝[5,1900]，将测试数据分解为imf分量。采用相关系数法筛选imf分量进行信号重构。计算重构信号的rcmde值，参数选择与离线训练模式中相同。选择前五个尺度的rcmde值作为特征向量输入训练好的分类器，得到故障识别结论。
[0085]
计算结果中仅有3组内圈故障数据和1组正常状态数据被错误的识别为外圈故障，识别准确率为96.67％。结果表明，采用本发明的滚动轴承故障模式识别方法，基于cwru数据进行离线训练，对ims数据也有较好的识别效果。该滚动轴承故障模式识别方法能准确地识别不同设备和操作环境下的不同速度和负载的滚动轴承振动数据，具有推广应用意义。
[0086]
实施例3
[0087]
本实施例提供了一种非暂态(非易失性)计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法，并实现相同的技术效果。
[0088]
实施例4
[0089]
本实施例提供了一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行以上各个方面的方法，并实现相同的技术效果。
[0090]
实施例5
[0091]
图2是本实施例的执行滚动轴承故障模式识别方法的电子设备的硬件结构示意图。该设备包括一个或多个处理器610以及存储器620。以一个处理器610为例。该设备还可以包括：输入装置630和输出装置640。
[0092]
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图2中以通过总线连接为例。
[0093]
存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
[0094]
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0095]
输入装置630可接收输入的数字或字符信息，以及产生信号输入。输出装置640可包括显示屏等显示设备。
[0096]
一个或者多个模块存储在存储器620中，当被一个或者多个处理器610执行时，执行：
[0097]
构建信号处理模型；
[0098]
将滚动轴承原始振动信号数据输入信号处理模型进行计算；
[0099]
基于计算结果，采用离线训练构建故障模式分类知识库；以及
[0100]
将滚动轴承在线监测振动信号输入信号处理模型进行计算，结合故障模式分类知识库，进行故障模式识别。
[0101]
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明其他实施例所提供的方法。
[0102]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0103]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者
实施例的某些部分的方法。
[0104]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。针对上述示例性实施方案所做的任何简单修改、等同变化与修饰，都应落入本发明的保护范围。