一种电机轴承故障识别方法与流程

1.本发明涉及轴承故障识别领域，具体涉及一种电机轴承故障识别方法。


背景技术：

2.轴承是机电设备中一个重要的旋转部件，其故障往往影响机电设备的正常运行，严重的可能引起机电设备失效，并带来巨大的经济损失，因此保证轴承的正常运行具有重要的意义。
3.轴承发生故障时会产生含有大量冲击噪声的振动信号，产生的振动信号具有显著的时变特性，从而表现出明显的非线性行为，若能精确的提取出故障特征，则可以有效的进行轴承的故障识别。
4.信号处理方法能够有效的揭示振动信号的非线性特征，综合反映了振动信号的幅值和频率随时间变化的情况。常用的故障特征提取、小波分析、傅里叶变换、经验模式分解，但小波变换在需要人为选择小波基，具有较大的困难，且阈值选取具有较大的不确定性，采用emd方法并不能有效的保留有用信息，且存在模态混叠及经验模态分解方法引入白噪声造成信号失真。因此传统的故障特征提取方法不足以挖掘出对所有故障类型敏感的特征。因此，迫切需要研究一种新的方法以适应诊断系统的变化。


技术实现要素：

5.本发明的目的是提供一种电机轴承故障识别方法，通过对eemd分解过后的分量进行白噪声分量的叠加抵消，使得由噪声产生的重构误差在分解过程中就消失，保证了分解精度，提高了轴承故障识别率。
6.为实现上述目的，本发明提供了如下方案：本发明提供一种电机轴承故障识别方法，包括以下步骤：
7.s1、获取电机轴承的振动信号，并对振动信号进行预处理；
8.s2、采用ceemdan方法对预处理后的振动信号进行特征提取，得到电机轴承振动信号的特征向量，其中，振动信号的特征向量包括振动信号的能量特征及振动信号的时序特征；
9.s3、将预处理后得到的电机振动信号特征向量输入至预先训练的基于卷积神经网络的故障分类模型，进行故障分类，得到轴承振动信号故障分类结果。
10.优选地，所述预处理的过程为：对采集到的振动信号进行数据增强，得到多段维度相同的振动信号。
11.优选地，所述步骤s2的过程为：
12.s2.1、采用ceemdan算法对原始振动信号进行处理得到原始电机振动序列，根据原始电机振动序列计算剩余信号的能量；
13.s2.2、对预处理后的振动信号进行时序特征提取；
14.s2.3、根据剩余信号的能量及振动信号的时序特征得到振动信号的特征向量。
15.优选地，所述振动信号的时序特征包括：峰值因子x
cf
、脉冲因子x
if
、裕度因子x
cif
、波形因子x
sf
、峭度因子x
kv
和偏度x
sk
。
16.优选地，所述故障分类模型为以一维特征序列作为输入信号的卷积神经网络模型。
17.优选地，所述卷积神经网络模型采用cnn模型，包括输入层、隐含层及输出层；
18.从输入层到隐含层和从隐含层到输出层的转移函数分别为tansig传递函数和logsig传递函数。
19.优选地，采用随机梯度下降算法对所述故障分类模型的参数进行优化。
20.优选地，采用投票法对所述分类结果进行投票，得到分类结果中概率最大的类别。
21.本发明公开了以下技术效果：
22.(1)本发明采用添加自适应白噪声的完全集合经验模态分解方法(ceemdan)对电机振动信号进行处理，通过对eemd分解过后的分量进行白噪声分量的叠加抵消，使得由噪声产生的重构误差在分解过程中就消失，克服了传统的基于经验模态分解方法(eemd)在增加白噪声后，使得预测的准确性降低，增大运算量的问题，保证了分解精度，提高了轴承故障识别率；
23.(2)本发明在得到待处理振动信号之后，还包括对所述振动信号进行数据增强，得到多段维度相同的振动信号，大大增多了轴承故障训练数据的样本，避免了使用卷积神经网络模型由于数据量小而导致的过拟合的问题。
附图说明
24.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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1为本发明方法流程示意图。
具体实施方式
26.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做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。
27.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
28.如图1所示，本发明提供一种电机轴承故障识别方法，包括以下步骤：
29.s1、获取电机轴承的振动信号，并对振动信号进行预处理。
30.本实施例在电机轴承的轴承内圈、轴承外圈及滚珠处设置传感器，采集轴承振动信号。本实施例采用多个传感器对轴承进行监测，增加了信息的多样性和完整性，能够更全面的反映轴承运行的状态，进行故障识别时可获得更高的准确度。
31.由于轴承故障状态在轴承总使用寿命过程中占比较小，因此采集到的轴承故障信
号数据必然较少，因此本发明采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号，以此实现数据的增强。
32.s2、对预处理后的振动信号进行特征提取，得到电机轴承振动信号的特征向量。
33.对原始的滚动轴承信号进行时间定义处理，截取所需要分析的滚动轴承信号长度，定义每个信号采样点的对应时间点，与实际采样时间、采样时长和采样频率所对应。
34.ceemdan方法是时间序列处理方法的核心，其本质是对信号做平稳化处理，得到包含不同时间尺度重构局部特征信号的固有模态分量，其应满足1、序列长度中跨0点与极值点的数目相等或相差1；2、由局部极大值构成的上包络线与局部极小值构成的下包络线均值为0，即与时间轴对称。
35.由于白噪声分布的随机性及集成平均实验次数的有限性，在多尺度分解后，各重构信号仍有一定幅值的噪声残留，使预测的准确性降低，重构误差可以通过增大集成平均计算次数减少，但会增大运算量，提高计算负荷。ceemdan通过对eemd分解过后的各分量进行白噪声分量的叠加抵消，使由电机运行噪声产生的重构误差在分解过程中就消失，既保证了分解精度，更提高了模态间的分辨率。
36.通过ceemdan方法分解过后一个信号就可以分解为有限个imf分量和一个剩余信号的和，其中，信号提取过程如下：
37.由于在每次eemd分解中，由于添加的白噪声n
j
(t)不同，最终产生的残余信号不同，即：
[0038][0039]
其中：r
ij
(t)为残余函数，代表信号整体趋势；imf
ij
(t)为包含时间序列不同尺度分量。
[0040]
定义算子emd
i
()为利用emd算法产生的第i个模态分量，采用ceemdan算法所得的第i个模态分量为具体过程为：
[0041]
与eemd相同，ceemdan算法在m次的计算中，对原始数据x(t) p0n
j
进行分解，其中，参数p控制着附加噪声与原始信号的信噪比，使其保持在合理的范围，n
j
为增加的白噪声序列，则第一个模态分量为：
[0042][0043]
则残余信号为：
[0044][0045]
在下一步分割前，继续引入白噪声信号自我emd分解的第一阶分量，将其与残余信号组合以消除噪声对原始信号造成的误差，则待分解电机振动信号为：
[0046]
r1(t) p1emd1(n
j
(t))
ꢀꢀꢀ
(4)
[0047]
继续用eemd对第二个模态分量集成平均，为：
[0048][0049]
对剩余阶段，继续计算残余信号，得到第n 1个模态分量，当最终残余信号满足迭
代终止条件时，算法终止，设此时有n个最终模态分量，则原始电机振动序列可表示为：
[0050][0051]
然后，计算剩余信号的能量ej(j＝0，1,2，3....n)，则：
[0052][0053]
其中：r
j
(t)为剩余信号离散点的幅值。
[0054]
在提取完电机轴承振动信号的能量特征后，再提取振动信号的时域特征，本实施例提取到的轴承振动信号时域特征包括：均方根值、均值、方差、峰值因子、脉冲因子、裕度因子、波形因子、峭度因子和偏度等等；这些特征参数的特点是：能直观的反映出滚动轴承的故障特征，都是无量纲参数，对故障和缺陷比较敏感，并且基本不受轴承型号的影响。其中，峰值因子x
cf
、脉冲因子x
if
、裕度因子x
cif
、波形因子x
sf
反映时域信号的时间序列分布情况。峭度因子x
kv
对信号中的冲击特性很敏感，在滚动轴承出现故障时，振动冲击较大，峭度因子能有效的判定轴承是否发生故障。
[0055]
因此，本实施例采用的振动信号时域特征参数有峰值因子x
cf
、脉冲因子x
if
、裕度因子x
cif
、波形因子x
sf
、峭度因子x
kv
和偏度x
sk
。
[0056]
将提取到的能量特征及时域特征组合成特征向量，得到电机轴承振动信号的特征向量t：
[0057]
t＝(x
cf
，x
if
，x
cif
，x
sf
，x
kv
，x
sk
，e
j
)。
[0058]
s2、将预处理后得到的电机振动信号特征向量输入至预先训练的基于卷积神经网络的故障分类模型，采用随机梯度下降算法对所述故障分类模型的参数进行优化，得到轴承振动信号故障分类结果。
[0059]
cnn非常适合处理海量数据，学习海量数据中的特征，识别出海量数据中蕴含的信息。但轴承故障状态在轴承总使用寿命过程中占比较小，因此采集到的轴承故障信号数据必然较少，使用cnn进行分类容易造成过拟合，因此，本发明采用的方法是对数据集的时序数据进行数据增强。由于观察可视化数据可得，不管是否存在故障以及存在何种故障，轴承的运行状况呈现周期性变化，因此可以将特征进行分割，切分成多段维度较小且相同的特征也就是说，在数据增强之后，原有的数据集增强多倍，大大减少了cnn过拟合的可能性。
[0060]
由于经过数据增强，因此经过训练完毕的cnn分类器时会得到相应的多个标签，将这多个标签进行投票，得到概率最大的类别，输出轴承振动信号的最终识别结果。
[0061]
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。