一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法

本发明涉及滚动轴承小样本故障诊断领域，特别涉及一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法。

背景技术：

1、滚动轴承是核电、化工、航空等行业机电系统中的重要部件之一，对其进行故障诊断是实现“智能制造2025”的必然要求。故障诊断模型的构建是基于机器学习实现故障诊断关键的关键，不充足、不恰当的训练样本选择将导致诊断模型的适用性与可靠性降低，影响诊断结果准确率。

2、充足的各状态数据是诊断模型构建的基础，现有故障诊断方法在具备真实故障数据的条件下能够取得较好诊断效果，但在缺失故障数据的小样本情况下难以实现诊断模型的有效构建。

3、公开号为cn114266339a，专利名为《一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法》的中国专利，利用深度卷积生成对抗网络依据少量故障数据实现样本扩充。公开号为cn113887586a，专利名为《小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法》的中国专利，采用目标域少量故障数据，对依据源域数据训练得到的诊断模型进行微调。以上专利均依赖一定数量的真实故障数据实现小样本条件下的诊断模型构建，在实际应用中往往因仅含正常状态数据导致诊断模型构建困难，且现有方法未考虑轴承个性特征对模型构建的影响，导致模型诊断准确率较低。

4、本发明针对现有问题，提出一种结合滚动轴承故障机理与正常状态数据生成故障时域数据，并提取可反映轴承故障类别的频域特征构成训练样本的滚动轴承智能诊断方法。该方法可综合轴承个性特征及故障共性特征，确保生成样本的真实性与代表性，在不依赖真实故障数据的情况下有效提高诊断结果的准确率。

技术实现思路

1、本发明的目的在于提供一种可依据正常状态数据生成轴承个性化故障样本，实现在仅具有正常状态数据的小样本条件下构建滚动轴承诊断模型的智能诊断方法。

2、为实现上述目的，本发明采用的技术方案为：一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，包括以下步骤：

3、步骤1：通过振动采集装置获取健康轴承运行状态振动信号，得到正常状态数据；

4、步骤2：依据轴承结构与转速确定轴承故障特征频率，基于待测设备固有频率确定故障信号的载波频率，并结合正常状态数据生成个性化故障时域数据；

5、步骤3：分别对正常状态数据及步骤2生成的个性化故障时域数据进行包络谱分析，获得频域数据；

6、步骤4：从步骤3获得的频域数据中提取频域特征主频幅值与基准幅值之比α、倍频幅值比β，组成诊断模型训练样本；

7、步骤5：基于cnn与模型训练样本完成轴承个性化故障诊断模型构建；

8、步骤6：对待测状态数据进行包络谱分析并提取步骤4所述频域特征，输入步骤5所得诊断模型完成故障诊断；

9、进一步的，步骤2依据轴承结构与转速确定轴承故障特征频率，基于待测设备固有频率确定故障信号的载波频率，并结合正常状态数据生成个性化故障时域数据：

10、依据故障产生及传递机理与正常状态时域数据生成个性化故障数据其产生过程如下：

11、

12、其中，x为时域波形；t为时间变量；为故障冲击信号；与分别代表轴承自身干扰振动及设备其他部件振动产生的干扰噪声，设定其幅值与正常状态时域数据幅值相同；h代表高频调制。通过轴承结构、尺寸、转速等信息可求取不同故障的理论特征频率f，故障冲击信号计算公式如下：

13、

14、其中，g为轴承阻尼系数；fna为轴承固有频率；a为冲击信号幅值，其计算公式如下：

15、

16、其中，ξ为冲击信号幅值系数，方法设定ξ采样于1.5～3.5均值为2.5、标准差为0.33的高斯分布；下标max代表最大值。

17、依据设备固有频率确定轴承故障信号调制过程h的载波频率f1，其数值与设备固有频率相同，高频调制表示如下：

18、y(t)＝cos[2πf1t+cos(2πtf0)]f1>f0

19、其中，y(t)为调制后信号；f0为调制频率，其数值与f相同。

20、进一步的，步骤4从步骤3获得的频域数据中提取频域特征主频幅值与基准幅值之比α、倍频幅值比β，获得模型训练样本，其具体计算方法如下：

21、首先截取第j类故障k次谐波频率左右各一倍转频范围内的包络谱波形数据s(j,k)，其计算公式如下：

22、s(j,k)＝s(m),m∈[k×fj-fn,k×fj+fn]

23、其中，m为包络谱频率值；s(m)为包络谱波形幅值；j代表故障种类，包括轴承内圈、外圈、滚动体及保持架共四类故障，即j∈[1,2,3,4]；fj为第j类故障的理论故障频率；fn为转频；k为频率谐波数，考虑到频率幅值衰减及噪声干扰的影响，设定k∈[1,2,3]；

24、第二步依据截取范围包络谱波形数据，计算第j类故障k次谐波的峰值与基准幅值之比α(j,k)，其计算公式如下：

25、

26、其中，n为截取频域波形的长度。

27、第三步计算第j类故障中，第k0次谐波与k0+1谐波的幅值比其计算公式如下：

28、

29、设定k0∈[1,2]。

30、综上，对于单组信号可提取4类故障相关特征，其中每类故障含有5个特征，共计20个特征组成特征矩阵h构成该状态的一组样本，其中h为：

31、h＝[α1,1,α1,2,α1,3,α2,1,α2,2,α2,3,α3,1,α3,2,α3,3,α4,1,α4,2,α4,3,β1,1,β1,2,β2,1,β2,2,β3,1,β3,2,β4,1,β4,2]

32、进一步的，步骤5基于cnn与模型训练样本完成轴承个性化故障诊断模型构建，其结构与超参数设定如下表所示，其中“/”表示该层无相关参数：

33、

34、进一步的，步骤6对待测状态数据进行包络谱分析并提取步骤4所述频域特征组成测试样本，输入步骤5所得诊断模型完成故障诊断，其具体计算方法如下：

35、依据步骤4所述频域特征提取方法，获取待测状态数据频域特征形成测试样本，输入步骤5所得诊断模型，获取诊断结果完成诊断。

36、本发明与现有技术相比，其显著优点为：(1)基于轴承正常状态信号与轴承故障机理生成个性化故障时域数据，减少了对真实故障数据的依赖；(2)提出可反映轴承故障类别的频域特征主频幅值与基准幅值之比α、倍频幅值比β，作为模型训练样本，在有效提取故障信息的同时减少算法运算量，提高诊断效率；(3)基于cnn进行轴承诊断模型构建，提高诊断准确率；本发明可依据轴承正常状态数据生成个性化样本，基于频域特征构建诊断模型，实现真实故障数据缺失的小样本情况下针对滚动轴承的智能诊断。

技术特征：

1.一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，其特征在于：步骤2中依据轴承结构与转速确定轴承故障特征频率，基于待测设备固有频率确定故障信号的载波频带，并结合正常状态数据生成个性化故障时域数据，其具体计算方法如下：

3.根据权利要求1所述的一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，其特征在于：步骤4中提取可反映轴承故障类别的频域特征，主频幅值与基准幅值之比α、倍频幅值比β，其具体计算方法如下：

技术总结
本发明公开了一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，包括以下步骤：首先依据故障机理与包含待测轴承个性特征的正常状态数据，生成个性化故障时域数据，提出并提取可反映轴承故障类别的频域特征形成虚拟故障样本，最后基于卷积神经网络(Convolutional NeuralNetworks,CNN)构建适用于待测轴承的智能诊断模型。与现有小样本诊断方法相比，具有不依赖待测轴承真实故障数据、计算量小、诊断精度高等优点。本发明可以在无故障数据的小样本条件下构建诊断模型，准确实现针对滚动轴承的智能诊断。

技术研发人员：马波,于功也
受保护的技术使用者：北京化工大学
技术研发日：
技术公布日：2024/1/13