基于Welch转换-径向基神经网的滚动轴承故障诊断方法与流程

本发明涉及一种滚动轴承故障诊断方法，特别是涉及一种基于welch转换-径向基神经网的滚动轴承故障诊断方法。

背景技术：

由机器故障引发的事故经常会造成严重的人员伤亡和财产损失，而现代工业中相当大部分的旋转机械故障都是由于轴承产生故障所导致的，对轴承进行智能化监测与诊断可以有效减少停机检修次数从而降低维修成本，所以说对滚动轴承进行故障诊断具有重要的工程意义。

目前常用的故障诊断方法是对信号频域和时频域进行特征值提取之后通过智能分类器进行辅助诊断，这类诊断具有局限性，大多面临着以下问题：1、绝大部分的工作设备是由多部件协同运作来完成的，所以所测信号经常面临着其它零件产生的振动所导致的噪声干扰。2、特征提取时由于提取人员的专业性不高，提取数量限制及特征提取本身对信号就是一种信息约减的特性所造成的信号信息丢失的问题。3、现阶段多数使用的智能分类器都需要大量的数据进行分类器训练，如多层感知机网络(mlp)，深层神经网络(dnn)，卷积神经网络(cnn)等分类器。而现实中在工程项目初期，由于设备、资金、技术等限制，部分工程数据的获取方面会较为困难很多智能分类器没有办法达到其该有的分类性能。因此，本发明提供一种不需对信号进行复杂的特征提取，在只有少量的训练数据的情况下、强噪声干扰下可以实现极高的故障类别的识别精度，首先通过welch转换对信号进行噪声进行抑制，同时将不同信号见得差异放大，之后用径向基神经网(rbfnn)的具有中心点比较的特性进行，小训练样本、抗噪、精准的故障诊断。

技术实现要素：

本发明的目的在于提供一种基于welch转换-径向基神经网的滚动轴承故障诊断方法，本发明基于welch转换-径向基神经网的滚动轴承智能故障诊断方法，先通过welch法转换功率谱，通过归一化处理，用rbfnn进行分类，从而确定故障位置并损伤大小。

本发明的目的是通过以下技术方案实现的：

基于welch转换-径向基神经网的滚动轴承故障诊断方法，所述方法包括如下步骤：

(1)、采集滚动轴承振动信号

使用振动数据采集仪以采样频率12000hz采集待检测滚动轴承在运行状态下的振动信号，记为x[m]，m＝1,2,…,m，m为总采样点数，并标记轴承状态，总状态数为y，将所有的所得的数据集合为，标签数据集为；

(2)、数据集增强建立训练集

在采集的振动信号上以步长为k、样本长度为p的情况下选取一次数据，共x个表示为,其中n=1、2、3、…、x；

(3)、对训练集通过welch法进行功率谱转换

(3.1)、设定步长λ、截取长度s，跨越次数其中,；

(3.2)、确定窗函数的起始位置，；

(3.3)、选择窗函数类型

设定窗函数为矩形窗函数，起始位置j，计算公式为：

；

(3.4)、设定归一化因子，计算公式为：

；

(3.5)、根据(3.1)-(3.4)对每个样本进行数据截取

通过窗函数截取数据集，截取次，得到的数据集记作；

(3.6)、对(3.5)得到的数据集进行傅里叶变换，计算公式为：

；

(3.7)、计算出功率谱，计算公式为：

；

(3.8)、对所得功率谱进行归一化处理，得到数据集，计算公式为：

；

(4)、训练径向基神经网络

(4.1)、训练中心点

(4.1.1)、令c=1；

(4.1.2)、判断是否c≤y

是进行(4.1.3)，否则进行(4.1.13)；

(4.1.3)、提取数据

提取所有数据集在第c类中的所有数据记作；

(4.1.4)、初定中心点

在中随机选取k个数据为中心点，将所有中心点记作,=1、2、3、…、k；

(4.1.5)、计算中的每个数据与所有中心点的距离，计算公式为：

;

(4.1.6)、提取中心点附近数据

根据确定每个中心点周围的数据并提取，记作，其中=1、2、3、…、h，h为中心点附近的数据的总数；

(4.1.7)、计算更新后的中心点

计算的每个维度的平均值，结果即为更新后的中心点；

(4.1.8)、是否达到最优

将本次所得的中心点与上次所得的中心点进行比较，若相等则向下继续执行(4.1.9)，否则执行(4.1.5)；

(4.1.9)、提取最后一次循环的所有；

(4.1.10)、将中的所有元素进行平方,得到矩阵

；

(4.1.11)、计算中的每个数据与所有中心点的欧式距离；

将(4.1.10)中每一行元素进行求和在进行开方，得到：

；

(4.1.11)、计算偏置，根据公式，计算得到

；

(4.1.12)、令c+1执行(4.1.2)

(4.1.13)、保存所有得到的中心点中心点，记作

；

(4.1.13)、保存所有得到的，记作

；

(4.2)、计算输出层权重w

(4.2.1)、计算数据集与所有中心点的欧式距离，计算公式为：

；

(4.2.2)、选用guassian函数作为径向基函数对欧式距离进行激活，得到激活后的act计算公式为：

，其中为的标准差；

(4.2.3)、通过求逆矩阵方法求得权重阵，计算公式为：

；

(5)、诊断轴承

(5.1)、获取被诊断轴承轴承数据

使用振动数据采集仪以采样频率12000hz采集待检测滚动轴承在运行状态下的振动信号，记为，m＝1,2,…,m，m为总采样点数，在采集的振动信号中随机截取样本长度为p的一组信号，记为

(5.2)、计算功率谱，计算方法与(3.1)-(3.8)所示

(5.3)、计算与所有中心点的欧式距离，计算公式为：

；

(5.4)、对进行激活，得到，计算公式为：

，其中为的标准差；

(5.5)、计算出诊断结果，计算公式为：

，其中；

(5.6)、输出诊断结果

比较中每个值的大小。找出最大值位置，找到对应标签所代表的轴承状态，输出轴承状态；

(6)、诊断结束。

附图说明

图1本文提出的故障诊断模型流程图；

图2welch转换层计算流程图；

图3径向基神经网络结构图；

图4径向基层训练测试流程图；

图5本文提出的故障诊断模型的示意图；

图6数据集增强的示意图；

图7不同种类的轴承故障信号图；

图8轴承数据采集设备图；

图9本文提出的故障诊断方法与wdcnn与dnn诊断方法的识别率比对；

图10本文提出的故障诊断方法的训练样本数与识别率之间关系；

图11本文提出的故障诊断方法与wdcnn的在不同样本量下的识别正确率；

图12本文提出的故障诊断方法在每种只有一个的训练样本的情况下的性能测试；

图13轴承外圈故障信号在snr=0情况下的振动信号；

图14各种诊断模式的抗噪性能。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

总体的，如图1所示，本发明实施例公开了一种基于welch转换-径向基神经网的滚动轴承智能故障诊断方法，包括如下步骤：

(1)、采集滚动轴承振动信号

使用振动数据采集仪以采样频率12000hz采集待检测滚动轴承在运行状态下的振动信号，记为x[m]，m＝1,2,…,m，m为总采样点数，如图7所示，并标记轴承状态，总状态数为y，将所有的所得的数据集合为，标签数据集为；

(2)、数据集增强建立训练集

在采集的振动信号上以步长为k、样本长度为p的情况下选取一次数据，共x个表示为,其中n=1、2、3、…、x；

数据集增强的截取方法如图6所示；

(3)、对训练集通过welch法进行功率谱转换，流程图如图2所示

(3.1)、设定步长λ、截取长度s，跨越次数其中,；

(3.2)、确定窗函数的起始位置，；

(3.3)、选择窗函数类型

设定窗函数为矩形窗函数，起始位置j，计算公式为：

；

(3.4)、设定归一化因子，计算公式为：

；

(3.5)、根据(3.1)-(3.4)对每个样本进行数据截取

通过窗函数截取数据集，截取次，得到的数据集记作；

(3.6)、对(3.5)得到的数据集进行傅里叶变换，计算公式为：

；

(3.7)、计算出功率谱，计算公式为：

；

(3.8)、对所得功率谱进行归一化处理，得到数据集，计算公式为：

；

(4)、训练径向基神经网络，流程图如图4所示

(4.1)、训练中心点

(4.1.1)、令c=1；

(4.1.2)、判断是否c≤y，是进行(4.1.3)，否则进行(4.1.13)；

(4.1.3)、提取数据

提取所有数据集在第c类中的所有数据记作；

(4.1.4)、初定中心点

在中随机选取k个数据为中心点，将所有中心点记作,=1、2、3、…、k；

(4.1.5)、计算中的每个数据与所有中心点的距离，计算公式为：

;

(4.1.6)、提取中心点附近数据

根据确定每个中心点周围的数据并提取，记作，其中=1、2、3、…、h，h为中心点附近的数据的总数：

(4.1.7)、计算更新后的中心点

计算的每个维度的平均值，结果即为更新后的中心点；

(4.1.8)、是否达到最优

将本次所得的中心点与上次所得的中心点进行比较，若相等则向下继续执行(4.1.9)，否则执行(4.1.5)；

(4.1.9)、提取最后一次循环的所有；

(4.1.10)、将中的所有元素进行平方,得到矩阵

；

(4.1.11)、计算中的每个数据与所有中心点的欧式距离；

将(4.1.10)中每一行元素进行求和在进行开方，得到：

；

(4.1.11)、计算偏置，根据公式，计算得到

；

(4.1.12)、令c+1执行(4.1.2)

(4.1.13)、保存所有得到的中心点中心点，记作

；

(4.1.13)、保存所有得到的，记作

；

(4.2)、计算输出层权重w

(4.2.1)、计算数据集与所有中心点的欧式距离，计算公式为：

；

(4.2.2)、选用guassian函数作为径向基函数对欧式距离进行激活，得到激活后的act计算公式为：

，其中为的标准差；

(4.2.3)、通过求逆矩阵方法求得权重阵，计算公式为：

；

径向基神经网络结构如图3所示；

(5)、诊断轴承

(5.1)、获取被诊断轴承轴承数据

使用振动数据采集仪以采样频率12000hz采集待检测滚动轴承在运行状态下的振动信号，记为，m＝1,2,…,m，m为总采样点数，在采集的振动信号中随机截取样本长度为p的一组信号，记为

(5.2)、计算功率谱，计算方法与(3.1)-(3.8)所示

(5.3)、计算与所有中心点的欧式距离，计算公式为：

；

(5.4)、对进行激活，得到，计算公式为：

，其中为的标准差；

(5.5)、计算出诊断结果，计算公式为：

，其中；

(5.6)、输出诊断结果

比较中每个值的大小。找出最大值位置，找到对应标签所代表的轴承状态，输出轴承状态；

(6)、诊断结束

实例

在实施例中，依托试验室中的轴承振动试验台，试验台如图8所示。

具体相关信息如下：

为了证明本发明的有效性和优势，本发明选择了几个目前先进的故障诊断方法的比较来验证其故障诊断性能；

表1为对比的试验数据集

表1试验数据集

为验证本文提出的故障诊断方法的诊断准确性能将其与wdcnn(deepconvolutionalneuralnetworkswithwidefirst-layerkernels)与dnn(deepneuralnetworks)诊断方法的识别率比对,得到的诊断结果如图9所示；

为验证本文提出的故障诊断方法在不同数量训练样本情况下进行测验并与wdcnn进行比较测验结果如图11所示；

为验证本文提出的故障诊断方法在极端条件下的诊断性能，我们取数据数量仅为30个的训练样本进行测验，测验结果如图12所示；

为验证本文提出的故障诊断方法在噪音干扰下的诊断性能，我们将所有信号加入不同信噪比（snr）的高斯白噪声，如图13所示的为轴承外圈故障信号在snr=0情况下的振动信号。将本文提出的故障诊断方法通过与wdcnn、dnn、svm（支持向量机）、mlp（多层感知机）、fc-wta（fully-connectedwinner-take-all）在不同snr的情况下进行比较，测验结果如图14所示；

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。