CN108709744B - 一种变负载工况下电机轴承故障诊断方法 - Google Patents

一种变负载工况下电机轴承故障诊断方法 Download PDF

Info

Publication number
CN108709744B
CN108709744B CN201810178106.9A CN201810178106A CN108709744B CN 108709744 B CN108709744 B CN 108709744B CN 201810178106 A CN201810178106 A CN 201810178106A CN 108709744 B CN108709744 B CN 108709744B
Authority
CN
China
Prior art keywords
bearing
neural network
factor
fault
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810178106.9A
Other languages
English (en)
Other versions
CN108709744A (zh
Inventor
刘方
吴瑞祥
顾康康
殷敏
陈婧
黄海东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhihuan Technology Co ltd
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201810178106.9A priority Critical patent/CN108709744B/zh
Publication of CN108709744A publication Critical patent/CN108709744A/zh
Application granted granted Critical
Publication of CN108709744B publication Critical patent/CN108709744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种变负载工况下电机轴承故障诊断方法，本发明创新性的将轴承实时负载和传统的统计特征同时作为BP神经网络的输入参数，消除了负载对传统统计特征的影响，实现了在变负载工况下对轴承的故障类型及严重程度的综合判断，提高了轴承故障诊断的准确性和可靠性。同时，在BP网络的训练阶段，本发明引入了带有动量项的随机梯度算法，减小了训练过程中误差曲面的振荡趋势，提高了收敛速率。

Description

一种变负载工况下电机轴承故障诊断方法
技术领域
本发明属于机械设备故障诊断领域，具体涉及一种变负载工况下电机轴承故障诊断方法。
背景技术
电机是工业现代化建设中重要的驱动设备，轴承作为电机运转的关键部件之一，若不能及时发现并处理早期故障，将会使故障程度进一步扩大，进而影响整个机械***的运转，甚至给国民经济和人民生命造成巨大的损失。因而对轴承进行故障诊断具有重要意义。然而，现有电机轴承故障诊断方法都是在轴承空载或者某一固定负载的背景下进行的。研究发现，同一工况的轴承在不同负载下其峰值因子、均方根值、波形因子等传统故障特征的特征值均会发生不同程度的改变。因此，传统通过故障特征进行轴承故障类型及严重程度分类的方法容易出现误诊断。且传统方法大都只能定性分析轴承的故障类型，很难对故障程度进行定量分析。所以，要解决上述问题，必须考虑轴承在不同负载下给传统故障特征带来的影响，这就要求我们使用一种新的方法来消除这种影响。
发明内容
针对上述问题，人们使用了不同的方法来消除此影响，传统的基于BP神经网络的轴承故障诊断方法是计算轴承振动信号的峭度、裕度因子、波形因子等统计特征，作为BP神经网络的输入参数进行训练建立模型。但轴承在不同负载下其均方根值、峭度、裕度因子等统计特征值均会发生不同程度的改变，导致同一故障类型在不同负载下会得到不同的诊断结果。传统方法由于没有考虑到负载的变化，容易发生误诊断。本发明提供了一种变负载工况下电机轴承故障诊断方法。
本发明采用的技术方案为：一种变负载工况下电机轴承故障诊断方法，包括以下4个步骤：
(1)信号采集：利用加速度传感器获取电机不同故障类型的轴承在不同负载下的振动信号。
(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征，其计算公式如下：
(a)峰值因子：
(b)均方根值：
(c)波形因子：
(d)方差：
(e)峭度：
(f)脉冲因子：
(g)裕度因子：
其中,X＝(x1,x2,x3,...,xN)为轴承的振动信号，xi为X中的离散信号，N为信号的采样点数。
(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层。
(4)BP神经网络的训练和使用：将轴承负载和步骤(2)中提取的传统统计特征一起作为样本集训练步骤(3)中构建的网络，并将训练好的网络对当前监测的轴承进行故障诊断。
其中，所述BP神经网络具体构造如下：
①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；
②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：
其中，为k时刻的负梯度，E为目标函数；D(k-1)为k-1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度。
本发明至少具有以下优点：
(1)本发明提出了一种变负载工况下电机轴承综合故障诊断方法，且创新性的将轴承负载和传统统计特征一起作为BP神经网络的输入参数训练，消除了负载对诊断结果的影响，提高了轴承故障诊断的准确性和可靠性；
(2)本发明提出的方法不但可以定性分析轴承故障类型且可以定量衡量故障大小，可根据输出结果决定部件维修的轻重缓急。
附图说明
图1为本发明方法流程图；
图2为本发明提供的方法和传统方法对比实施流程图；
图3为传统方法BP神经网络结构图；
图4为本发明方法BP神经网络结构图；
图5为本发明提供方法与传统方法多次实验输出精度对比图。
具体实施方式
下面结合附图和实际的实验数据对本发明的实施以及与传统方法的对比作进一步的详细说明。
本实施案例包括正常、内圈故障、滚子故障、外圈故障等4种轴承故障状态，其中内圈故障和滚子故障状态下又包括故障程度为0.007英寸、0.014英寸、0.021英寸、0.028英寸各1个；外圈故障状态下包括故障程度为0.007英寸、0.014英寸、0.021英寸各1个；将这1+2*4+3＝12种故障类型标签为y1～y12作为BP神经网络的输出。把这12种故障类型分别在负载HP＝0、1、2、3下得到的共12*4＝48种信号作为本实验中所述的采集到的48种振动信号。
如图2所示，本发明本发明的实施以及与传统方法的对比包括以下步骤：
(1)信号采集：包括12不同故障状态在负载HP＝0、1、2、3下的共48种振动信号。
(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征。
(a)峰值因子：
(b)均方根值：
(c)波形因子：
(d)方差：
(e)峭度：
(f)脉冲因子：
(g)裕度因子：
其中，X＝(x1,x2,x3,...,xN)为轴承的振动信号，xi为X中的离散信号，N为信号的采样点数。
(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层。其中输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把12种不同轴承故障类型标签作为BP神经网络的输出。
所述BP神经网络具体构造如下：
①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；
②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：
其中，为k时刻的负梯度，E为目标函数；D(k-1)为k-1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度。
(4)制作样本集：为了与传统方法作对比，制作两个样本集。其中样本集A为传统方法直接提取7个传统统计特征标为x1～x7作为BP神经网络的输入参数训练；样本集B为本发明提出的将轴承负载和7个传统统计特征x1～x7同时作为BP神经网络的输入参数训练。具体结构图分别如图3、图4所示。
(5)BP神经网络的训练和使用：利用步骤(4)中的样本集A与样本集B分别训练步骤(3)中的网络，为排除实验的偶然性，如图5所示为多次实验下本发明提出方法与传统方法对比结果图。由图可知，本发明提出的方法实现了在轴承负载下对轴承的故障类型及严重程度的综合判断，其辨识率相比传统方法得到了显著的提高。

Claims (1)

1.一种变负载工况下电机轴承故障诊断方法，其特征在于：包括以下步骤：
(1)信号采集：利用加速度传感器获取不同故障类型的电机轴承在不同负载下的振动信号；
(2)测量轴承实时负载大小并提取对应振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、脉冲因子、裕度因子等7种传统统计特征，其计算公式如下：
(a)峰值因子：
(b)均方根值：
(c)波形因子：
(d)方差：
(e)峭度：
(f)脉冲因子：
(g)裕度因子：
其中，X＝(x1,x2,x3,...,xN)为轴承的振动信号，xi为X中的离散信号，N为信号的采样点数；
(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层；所述BP神经网络具体构造如下：
①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；
②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：
其中，为k时刻的负梯度，E为目标函数；D(k-1)为k-1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度；
(4)BP神经网络的训练和使用：将轴承负载和步骤(2)中选取的7种传统统计特征一起作为样本集训练步骤(3)中构建的网络，并将训练好的网络对当前监测的轴承进行故障诊断；
该方法将轴承负载作为新的特征和传统统计特征一起作为BP神经网络的输入参数训练，利用神经网络建立了负载、统计特征与输出类别之间的函数关系消除了负载对统计特征的影响；
该方法可以解决电机轴承在不同负载下对轴承类别的精确分类。
CN201810178106.9A 2018-03-05 2018-03-05 一种变负载工况下电机轴承故障诊断方法 Active CN108709744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810178106.9A CN108709744B (zh) 2018-03-05 2018-03-05 一种变负载工况下电机轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810178106.9A CN108709744B (zh) 2018-03-05 2018-03-05 一种变负载工况下电机轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN108709744A CN108709744A (zh) 2018-10-26
CN108709744B true CN108709744B (zh) 2019-09-20

Family

ID=63866347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810178106.9A Active CN108709744B (zh) 2018-03-05 2018-03-05 一种变负载工况下电机轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN108709744B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406147B (zh) * 2018-10-29 2020-11-13 安徽大学 一种变速工况下的列车轴承轨边声学诊断方法
CN109376794A (zh) * 2018-11-12 2019-02-22 武汉科技大学 一种铁水脱硫搅拌器的智能故障诊断方法及***
CN109784475B (zh) * 2019-01-02 2022-12-16 广东工业大学 一种基于动态适应bp神经网络的变压器故障诊断方法
EP3708991A1 (en) * 2019-03-14 2020-09-16 Siemens Aktiengesellschaft Automated health state classifier for rotating machines based on expert knowledge
CN111947929B (zh) * 2020-08-14 2022-07-29 华东交通大学 一种旋转机械振动特性评价指标工况敏感度分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3170076B2 (ja) * 1992-12-18 2001-05-28 株式会社小野測器 転がり軸受故障診断装置
CN102053016B (zh) * 2010-11-08 2013-07-17 江苏大学 旋转机械滚动轴承的无线振动监测***
CN107655690A (zh) * 2017-10-30 2018-02-02 王才旺 基于人工神经网络的电机轴承故障诊断方法

Also Published As

Publication number Publication date
CN108709744A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN108709744B (zh) 一种变负载工况下电机轴承故障诊断方法
WO2022228049A1 (zh) 基于5g边缘计算和深度学习的航空发动机故障诊断方法
Xiang et al. Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder
CN108569607B (zh) 基于双向门控循环神经网络的电梯故障预警方法
CN107016235B (zh) 基于多特征自适应融合的设备运行状态健康度评估方法
Zou et al. Bearing fault diagnosis method based on EEMD and LSTM
CN110287552B (zh) 基于改进随机森林算法的电机轴承故障诊断方法及***
CN109211548A (zh) 一种机械故障诊断方法
CN110867196A (zh) 一种基于深度学习及声音识别的机器设备状态监测***
CN110940539A (zh) 一种基于人工经验及声音识别的机器设备故障诊断方法
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN111523081B (zh) 一种基于增强门控循环神经网络的航空发动机故障诊断方法
CN109272123A (zh) 一种基于卷积-循环神经网络的有杆泵工况预警方法
CN106650122B (zh) 一种设备变工况运行风险评估方法
CN110008898A (zh) 基于符号和卷积神经网络的工业设备数据边缘处理方法
CN109443766A (zh) 一种重载车辆变速箱齿轮安全性分析方法
CN114266197A (zh) 一种水电站设备故障诊断方法
CN107473036A (zh) 电梯曳引机远程在线检测与诊断***及其检测诊断方法
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN111504645A (zh) 一种基于频域多点峭度的滚动轴承故障诊断方法
CN107844067A (zh) 一种水电站闸门在线状态监测控制方法及监测***
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
CN114330096A (zh) 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法
Chen et al. An adversarial learning framework for zero-shot fault recognition of mechanical systems
CN111046790A (zh) 一种泵轴承故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Liu Fang

Inventor after: Wu Ruixiang

Inventor after: Gu Kangkang

Inventor after: Yin Min

Inventor after: Chen Jing

Inventor after: Huang Haidong

Inventor before: Wu Ruixiang

Inventor before: Liu Fang

Inventor before: Gu Kangkang

Inventor before: Yin Min

Inventor before: Chen Jing

Inventor before: Huang Haidong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210326

Address after: 244002 comprehensive service building, 129 west section of Cuihu fifth road, Tongling Economic Development Zone, Anhui Province

Patentee after: Anhui Maipu Intelligent Technology Co.,Ltd.

Address before: 230601 No. 111 Kowloon Road, Hefei economic and Technological Development Zone, Anhui

Patentee before: ANHUI University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230406

Address after: 230000 building D3, intelligent technology park, No. 3693 Susong Road, Hefei Economic and Technological Development Zone, Anhui Province

Patentee after: Anhui Zhihuan Technology Co.,Ltd.

Address before: 244002 comprehensive service building, 129 west section of Cuihu fifth road, Tongling Economic Development Zone, Anhui Province

Patentee before: Anhui Maipu Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right