一种基于WPD-LNN的滚动轴承故障诊断方法及系统

本发明涉及发动机故障诊断领域，具体涉及一种基于wpd-lnn的滚动轴承故障诊断方法及系统。

背景技术：

1、滚动轴承是发动机的关键部件之一，承担着支撑旋转部件、减小摩擦、传递载荷、保持旋转精度的重要作用。其运行状态关系到机械设备的安全性和可靠性。若发生故障，会导致设备性能下降甚至停机。因此，对滚动轴承进行故障诊断具有重要意义。在实际运行中，滚动轴承的振动信号常表现出非平稳、强噪声、故障特征微弱等特点。特别是在变转速、变负载等非稳态工况下，故障特征信号受到工况变化的调制，进一步增加了诊断难度。

2、小波包分解（wpd）能够对信号的高频和低频部分同时进行分解，已在轴承故障诊断中广泛应用。液态神经网络（lnn）采用常微分方程描述神经元状态的连续时间动态特性，通过液体时间常数调节信息流动速度，在处理时序动态信号方面具有优势。然而，现有基于wpd的轴承故障诊断方法采用固定小波基和固定分解层数，无法根据信号的时频特性自适应调整分解参数。当工况变化导致信号频带结构改变时，固定参数难以匹配当前信号的频率分布，易造成故障相关频带能量的漏提或畸变，影响诊断精度。现有基于lnn的轴承故障诊断方法采用cnn+lnn结构，其cnn卷积核参数在训练后固定，无法根据实时工况动态调整特征提取策略；同时lnn的时间常数虽具动态性，但在工况变化时无法主动调节网络响应特性，导致模型对时变信号的适应能力不足，故障模式识别准确率下降。

技术实现思路

1、为解决上述问题，本发明提供一种基于wpd-lnn的滚动轴承故障诊断方法及系统，通过自适应小波包分解与工况联动液态神经网络，实现滚动轴承在变转速、变负载等非稳态工况下的高精度故障诊断，有效提升诊断模型的工况适应能力和识别准确率。

2、第一方面，本发明的技术方案提供一种基于wpd-lnn的滚动轴承故障诊断方法包括以下步骤：

3、s1，同步采集滚动轴承在运行状态下的原始振动信号和瞬时转速信号，分别进行去噪和归一化预处理；

4、s2，采用滑动时间窗将预处理后的振动信号分割为若干分析片段，在每个时间窗内，基于频带能量熵最小化准则，从候选小波基集合和候选分解层数中动态选择最优小波基和最优分解层数，对当前时间窗的振动信号片段进行自适应小波包分解，提取各子带能量特征；

5、s3，根据当前时间窗内的瞬时转速信息计算平均转速，基于平均转速引入转速权重计算各子带能量与故障类型之间的加权互信息，选取加权互信息大于动态阈值的子带能量作为筛选后特征子集，将特征子集、时域统计特征、频域统计特征和转速归一化因子拼接为工况自适应特征向量；

6、s4，将工况自适应特征向量、当前时间窗的瞬时转速值和转速变化率输入工况联动型液态神经网络，输出故障类型识别结果；所述液态神经网络中各神经元的液体时间常数根据工况参数实时动态调整，网络状态由变系数常微分方程控制迭代更新。

7、第二方面，本发明的技术方案提供一种基于wpd-lnn的滚动轴承故障诊断系统，包括：

8、信号采集模块，用于同步采集滚动轴承在运行状态下的原始振动信号和瞬时转速信号，分别进行去噪和归一化预处理；

9、自适应分解模块，用于采用滑动时间窗将预处理后的振动信号分割为若干分析片段，在每个时间窗内，基于频带能量熵最小化准则，从候选小波基集合和候选分解层数中动态选择最优小波基和最优分解层数，对当前时间窗的振动信号片段进行自适应小波包分解，提取各子带能量特征；

10、特征构建模块，用于根据当前时间窗内的瞬时转速信息计算平均转速，基于平均转速引入转速权重计算各子带能量与故障类型之间的加权互信息，选取加权互信息大于动态阈值的子带能量作为筛选后特征子集，将特征子集、时域统计特征、频域统计特征和转速归一化因子拼接为工况自适应特征向量；

11、故障诊断模块，用于将工况自适应特征向量、当前时间窗的瞬时转速值和转速变化率输入工况联动型液态神经网络，输出故障类型识别结果；所述液态神经网络中各神经元的液体时间常数根据工况参数实时动态调整，网络状态由变系数常微分方程控制迭代更新。

12、从以上技术方案可以看出，本申请具有以下优点：在每个时间窗内基于频带能量熵最小化准则，从候选小波基集合和候选分解层数中动态选择最优分解参数，使分解方案始终与当前信号的时频特性相匹配，避免了固定参数带来的特征提取失真问题，为后续故障识别提供了高质量的判别信息，进而提高变工况条件下故障特征提取的准确性。通过转速权重计算加权互信息，使转速变化对频带能量的调制作用被纳入筛选过程，筛选出的特征子集在全工况范围内均保持与故障类型的强相关性；同时将转速归一化因子作为辅助特征加入特征向量，消除了转速变化对特征幅值的影响，使特征向量在不同工况下具有可比性，避免了工况变化引起的特征分布偏移导致分类器误判，提升模型在变工况场景下的诊断置信度。将液体时间常数设计为随转速变化率实时调整的联动函数，在稳态工况下时间常数较大，网络保留更多历史信息以捕捉故障的长期趋势；在瞬态工况下时间常数减小，网络更关注当前输入以快速响应信号的突变，从而在全工况范围内保持较高的识别准确率。自适应wpd保证了特征提取环节的工况匹配性，转速加权互信息筛选保证了特征选择环节的工况相关性，工况联动lnn保证了分类器环节的工况适应性，实现在变转速、变负载等非稳态工况下准确识别滚动轴承的故障类型。

1.一种基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，候选小波基集合预先设置为包括db族小波、sym族小波和coif族小波，候选分解层数预先设置为3层、4层、5层和6层。

3.根据权利要求2所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，步骤s2具体包括：

4.根据权利要求3所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，以该小波基和该层数对当前时间窗的振动信号片段进行小波包分解，得到该分解层数下的各子带，计算各子带的能量，具体包括：

5.根据权利要求3所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，根据各子带能量计算频带能量熵，具体包括：

6.根据权利要求1所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，步骤s3具体包括：

7.根据权利要求6所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，通过以下公式计算当前时间窗的转速权重：

8.根据权利要求1所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，步骤s4具体包括：

9.根据权利要求8所述的基于wpd-lnn的滚动轴承故障诊断方法，其特征在于，变系数常微分方程为一阶变系数常微分方程，表示为：

10.一种基于wpd-lnn的滚动轴承故障诊断系统，其特征在于，包括：