CN116086807A - 一种用于滚动轴承的故障判断方法和相关产品 - Google Patents

Abstract

本发明涉及一种用于滚动轴承的故障判断方法和相关产品，所述方法包括获取多个传感器采集的滚动轴承的振动信号；根据最大重叠离散小波变换对所述振动信号进行分解和重构，以得到重构信号；确定所述重构信号对应的多尺度散布熵，并形成多维状态特征向量；利用训练好的神经网络检测模型对所述多维状态特征向量进行检测，以判断所述滚动轴承的故障类型。根据本发明的方案，解决了滚动轴承故障检测难度大、准确度低的问题。

Description

一种用于滚动轴承的故障判断方法和相关产品

技术领域

本发明一般地涉及故障检测技术领域。更具体地，本发明涉及一种用于滚动轴承的故障判断方法、装置和计算机可读存储介质。

背景技术

随着疫情防护的常态化、消毒机器人等机械消毒设备的应用愈发广泛，该类设备的精密化程度和复杂性较高，也使得其在使用过程中故障发生率较高，同时故障诊断较为困难。滚动轴承作为支承电机转轴等关键部件的零件，其运行状态将直接影响整个机组的性能。据统计，在机械设备的故障中约有50％是由滚动轴承所引起。因此，在机械故障诊断领域，滚动轴承的工况检测和故障特征提取一直是研究的热点及难点。

对于滚动轴承而言，一方面，其工况较为复杂多变，振动信号采集时易受到环境噪声、采集和传输设备的影响；另一方面，由于受到动载荷、非线性接触力等因素的影响，导致其振动信号表现出明显的非线性、非平稳性的特点，传统信号处理方法无法对其进行有效处理，难以准确提取信号特征。

基于此，目前亟需解决滚动轴承故障检测难度大、准确度低的问题。

发明内容

为解决上述一个或多个技术问题，本发明提出通过将多传感器检测的振动信号进行处理和融合，并根据多传感器检测的信号进行故障判断，有效提升了滚动轴承故障检测准确性。为此，本发明在如下的多个方面中提供方案。

在第一方面中，本发明提供了一种用于滚动轴承的故障判断方法，包括：获取多个传感器采集的滚动轴承的振动信号；根据最大重叠离散小波变换对所述振动信号进行分解和重构，以得到重构信号；确定所述重构信号对应的多尺度散布熵，并形成多维状态特征向量；利用训练好的神经网络检测模型对所述多维状态特征向量进行检测，以判断所述滚动轴承的故障类型。

在一个实施例中，所述获取多个传感器采集的滚动轴承的振动信号还包括：对所述振动信号进行奇异值差分谱分解，并滤除所述振动信号内的噪声干扰成分，以得到去噪后的振动信号。

在一个实施例中，所述对所述振动信号进行奇异值差分谱分解并滤除所述振动信号内的噪声干扰成分包括：对多个传感器所采集到的滚动轴承的振动信号进行奇异值分解，以得到每个振动信号对应的奇异值；计算所述振动信号的奇异值差分谱，并进行奇异值重构，以进行降噪。

在一个实施例中，所述根据最大重叠离散小波变换对所述振动信号进行分解和重构以得到重构信号包括：根据最大重叠离散小波变换对所述振动信号进行分解，以获取多个成分分量；计算成分分量之间的差异度，并对信号特征敏感的成分分量进行重构，得到重构信号。

在一个实施例中，所述计算成分分量之间的差异度包括：

式中，μ_n(i)，δ_n(i)，μ_un(i)，δ_un(i)分别为正常信号和最大重叠离散小波变换分解出的成分分量的均值和标准差，x_i和y_i分别为正常信号和成分分量信号，DID为差异度，σ₁,σ₂为经奇异值分解后得到的奇异值。

在一个实施例中，所述确定所述重构信号对应的多尺度散布熵并形成多维状态特征向量包括：确定各重构信号在不同尺度因子下的精细复合多尺度散布熵，以形成状态特征向量；将各传感器对应的状态特征向量进行特征融合，以形成多维状态特征向量。

在一个实施例中，所述利用训练好的神经网络检测模型对所述多维状态特征向量进行检测，以判断所述滚动轴承的故障类型包括：将多维度特征向量划分为训练样本和测试样本；利用训练样本对模糊神经网络进行训练，以得到训练好的神经网络检测模型；利用训练好的神经网络检测模型对测试样本进行检测，以判断所述滚动轴承的故障类型。

在一个实施例中，所述利用训练样本对模糊神经网络进行训练以得到训练好的神经网络检测模型包括：对于k维状态特征向量计算输入变量的隶属度；采用连乘算子对各隶属度进行模糊计算，以得到模糊计算结果；根据模糊计算结果计算模糊神经网路模型的输出值，所述输出值包括网络期望输出值和网络实际输出值；根据所述网络期望输出值和网络实际输出值计算对应的误差值；根据所述输出结果和误差值，修正所述模糊神经网络模型中的相关系数及参数，以得到训练好的神经网络检测模型。

在第二方面中，本发明还提供了一种用于滚动轴承的故障判断装置，包括：处理器；以及存储器，其存储有用于滚动轴承的故障判断的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据前文一个或多个实施例中所述的故障判断方法。

在第三方面中，本发明还提供了一种计算机可读存储介质，其上存储有用于滚动轴承的故障判断的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如前文一个或多个实施例中所述的故障判断方法。

根据本发明的方案，可以通过最大重叠离散小波包变换方法实现对信号中故障特征信息的有效提取，保证了故障检测过程的准确性，通过多传感器信息融合的方式，实现了对滚动轴承全面、准确和可靠的检测，同时通过多传感器信号的全方位计算，具有较好的鲁棒性。进一步，受背景噪声、采集***等因素的影响，振东传感器所采集到信号往往含有大量噪声并呈现出非线性、非平稳性特点，奇异值差分谱降噪结合最大重叠离散小波包变换方法可有效降低噪声因素对信号特征提取准确性的影响，突显信号自身振动特性。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出根据本发明的一个实施例的用于滚动轴承的故障判断方法的流程图；

图2是示意性示出根据本发明的另一个实施例的用于滚动轴承的故障判断方法的流程图；

图3是示意性示出根据本发明的实施例的故障综合模拟试验台的示意图；

图4a是示意性示出根据本发明的实施例的滚动轴承外圈断裂故障的示意图；

图4b是示意性示出根据本发明的实施例的滚动轴承内圈磨损故障的示意图；

图4c是示意性示出根据本发明的实施例的滚动轴承保持架断裂的示意图；

图5a是示意性示出根据本发明的实施例的水平位置加速度传感器所获得的滚动轴承内圈故障振动信号；

图5b是示意性示出根据本发明的实施例的垂直位置加速度传感器所获得的滚动轴承内圈故障振动信号；

图6是示意性示出根据本发明的实施例的水平位置滚动轴承内圈振动信号的奇异值及其奇异值差分谱；

图7a是示意性示出根据本发明的实施例的水平位置加速度传感器所获得的滚动轴承内圈故障奇异值差分谱去噪信号；

图7b是示意性示出根据本发明的实施例的垂直位置加速度传感器所获得的滚动轴承内圈故障奇异值差分谱去噪信号；

图8是示意性示出根据本发明的实施例的水平位置和垂直位置滚动轴承内圈振动信号MODWPT分解所得各成分分量的差异度；

图9a是示意性示出根据本发明的实施例的MODWPT重构后水平位置滚动轴承内圈故障去噪信号；

图9b是示意性示出根据本发明的实施例的MODWPT重构后垂直位置滚动轴承内圈故障去噪信号；

图10是示意性示出根据本发明的实施例的不同状态滚动轴承重构信号的RCMDE分布曲线；

图11是示意性示出根据本发明的实施例的不同传感器10次对比试验结果。

具体实施方式

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。

滚动轴承被称为“工业的关节”，在机械工程、轨道交通、电力电子、航空航天等众多领域获得广泛应用，其健康状态直接影响相关设备的安全性能。据相关统计，旋转机械设备失效事故中，由滚动轴承引起的占比约50％。单一传感器的信息采集能力有限，难以对其工况进行准确、全面的监测和诊断，故障诊断精度难以保证。因此，如何快速、准确地对此类零件的故障特征进行全面、准确地提取，进而进行有效的故障诊断一直是旋转机械故障诊断领域研究的重点和难点。

基于此，本发明中从振动信号的采集、处理和故障判别多个方面进行改进，以实现对故障全面、可靠的判断。

下面结合附图来详细描述本发明的具体实施方式。

图1是示意性示出根据本发明的一个实施例的用于滚动轴承的故障判断方法的流程图。

如图1所示，在步骤S101处，获取多个传感器采集的滚动轴承的振动信号。在一些实施例中，还可以对振动信号进行奇异值差分谱分解，并滤除振动信号内的噪声干扰成分，以得到去噪后的振动信号。获取多个传感器所采集到的滚动轴承振动信号x₁(t),…,x_n(t)。对信号x₁(t),…,x_n(t)进行奇异值差分谱分解，滤除信号内的噪声干扰成分，获取去噪信号x′₁(t),…,x′ⁿ(t)。

在步骤S102处，根据最大重叠离散小波变换对所述振动信号进行分解和重构，以得到重构信号。采用最大重叠离散小波包变换(MODWPT)方法对各去噪信号进行分解，获取k个成分分量c₁(t),…,c_k(t)。计算各成分分量的差异度，获取对信号特征敏感的成分分量进行重构，得到重构信号x″₁(t),…,x″_n(t)。

在步骤S103处，确定重构信号对应的多尺度散布熵，并形成多维状态特征向量。在一些实施例中，计算各提纯信号在不同尺度因子下的精细复合多尺度散布熵(RCMDE)，形成状态特征向量T₁(r),…,T_n(r)。然后，将各传感器获取的状态特征向量进行特征融合，形成多维状态特征向量X＝[X¹({T_i(r)}),…,Xⁿ({T_i(r)})],i＝1,2,…,n。

在步骤S104处，利用训练好的神经网络检测模型对多维状态特征向量进行检测，以判断滚动轴承的故障类型。将多维度特征向量划分为训练样本P和测试样本Q，利用训练样本P训练模糊神经网络，利用训练好的模糊神经网络对测试样本Q进行检测，实现滚动轴承故障类型的诊断。

根据上述方案，最大重叠离散小波包变换方法(MODWPT)方法是目前最为先进的非线性、非平稳信号分析方法。同传统信号处理方法相比，其具有良好的自适应性、频率不变性，避免了分解过程中可能存在的局部最优而全局特征差异较大的问题。同经验模态分解(EMD)和局部均值分解(LMD)等现代信号处理方法相比，MODWPT具有完备的理论基础，良好的抗噪性能，可有效避免由于包络拟合和递归运算等问题所产生的端点效应和模态混叠现象，能够更有效地提取出非平稳信号内的故障特征信息，已获得众多研究人员的青睐。

多传感器信息融合技术是近年来发展非常迅速的一种信息处理手段，已在多个领域得到广泛应用。同单一传感器所采信息相比，多传感器所获信息具有全面、准确、可靠和鲁棒性强等优点。但在故障诊断领域，多传感器故障诊断模型及算法仍处在探索阶段，缺乏可靠性强、精度高的模型级方法。因此，本发明中从信号采集、噪声消除、多传感器信号融合计算等多个方面进行处理，从而实现对滚动轴承故障的准确检测。

图2是示意性示出根据本发明的另一个实施例的用于滚动轴承的故障判断方法的流程图。

如图2所示，在步骤S201处，对多个传感器所采集到的滚动轴承的振动信号进行奇异值分解，以得到每个振动信号对应的奇异值。

在步骤S202处，计算所述振动信号的奇异值差分谱，并进行奇异值重构，以进行降噪。在一些实施例中，对多个传感器所采集到的滚动轴承振动信号x₁(t),…,x_n(t)采用奇异值差分谱降噪，其具体过程为：

1)设x(N)＝{x₁,x₂,…,x_N}为多传感器中1个传感器所采集到的滚动轴承振动信号，经相空间重构可获得m×n阶Hankel矩阵H：

其中，N＝m+n-1；D_m×n为不含噪滚动轴承振动信号的子空间；W_m×n为噪声信号的子空间。

2)矩阵H经奇异值分解可得：

其中，U、V为正交矩阵，∑为非负对角阵，

S＝diag(σ₁,σ₂,…,σ_r)，σ_i为矩阵H的奇异值，σ_i＝∑(i,i)，r是矩阵H的秩。

3)为滤除信号内的噪声，构造Hankel矩阵的行数m和列数n的乘积应尽量大。根据信号点数N的奇偶性可确定Hankel矩阵的行数m和列数n，即：

其中，N为信号点数。

4)设矩阵H经奇异值分解后得到的奇异值为σ₁,σ₂,…σ_r，对每个分量进行归一化，即：

其中，e＝σ₁+σ₂+…+σ_r；e₁+e₂+…+e_r＝1。

5)计算信号的奇异值差分谱：

其中，e_i和e_i-1分别为矩阵H第i个和第i-1个分量的归一化奇异值，e_max和e_min分别为矩阵H中各分量归一化奇异值的最大值和最小值。

由于噪声的奇异值明显小于信号的奇异值，可利k可认定为信号与噪声的区分点。因此，保留小于或等于奇异值差分谱中最大值所对应点k的奇异值，其余设置为0后进行奇异值重构，可实现信号降噪。

在步骤S203处，根据最大重叠离散小波变换对振动信号进行分解，以获取多个成分分量。在一些实施例中，采用MODOPT对奇异值降噪信号进行分解，具体过程为：

设

分别为MODWPT的尺度滤波器和小波滤波器，则

与离散小波变换(DWT)中的尺度滤波器g_l和小波滤波器h_l有如下关系：

其中，g_l为离散小波变换的尺度滤波器，h_l为离散小波变换的小波滤波器；

同时满足：

或者

其中，

分别为长度是l、l-2n和L-l-1的MODOPT尺度滤波器；

为长度是l和L-l-1的MODOPT小波滤波器；

在尺度为j时，对MODOPT的尺度滤波器

和小波滤波器

中***2^j-1-1个零：

由此根据Mallat算法，计算出尺度为j时的尺度变换系数和小波变换系数分别为：

其中，V_j,t、W_j,t为尺度j时最大重叠离散小波包变换的尺度变换系数和小波变换系数；

MODOPT的分解系数由W_j,n＝{W_j,n,t,t＝0,…,N-1}表示，其中j为分解层数，n看作一个随j变化的频率索引，则计算出MODOPT的分解系数：

其中，若n mod4＝0或3，则

若n mod4＝1或2，则

其中，

分别为MODOPT的尺度滤波器和小波滤波器。

在步骤S204处，计算成分分量之间的差异度，并对信号特征敏感的成分分量进行重构，得到重构信号。在一些实施例中，计算成分分量的差异度，获取对信号特征敏感的分量进行重构。其具体计算公式为：

式中，μ_n(i)，δ_n(i)，μ_un(i)，δ_un(i)分别为正常信号和最大重叠离散小波变换分解出的成分分量的均值和标准差，x_i和y_i分别为正常信号和成分分量信号，DID为差异度，σ₁,σ₂为经奇异值分解后得到的奇异值。

在步骤S205处，确定各重构信号在不同尺度因子下的精细复合多尺度散布熵，以形成状态特征向量。在一些实施例中，计算各提纯信号在不同尺度因子下的多尺度散布熵(RCMDE)，多维度状态特征向量T₁(t),…,T_n(t)。其具体过程为：

设x″(t)＝[x₁,x₂,…,x_N]是一长度为N的经VMD重构的信号，将初始点为按[1,τ]连续地将信号x″(t)划分成长度为τ的不重叠区域，并求每个区域的平均值，以此得到粗粒化的序列。即：

计算不同尺度因子下粗粒序列的散布熵值：

1)采用标准正态分布函数将信号x″(t)映射到[0,1]范围内的y＝[y₁,y₂,…,y_N]，即

式中，μ和σ为信号x″(t)的期望和方差。

2)通过线性变换算法，进一步将y映射到[1,c]范围内，即

式中，

为时间序列的第i类，round为取整函数。

3)对z^c进行相空间重构，则嵌入向量为：

式中，j＝1,2,…,N-(m-1)d，m和d分别为嵌入维数和时延。每一个

映射到一个分散模式

其中，

由于序列

内含有m个元素，每个元素可取[1,c]的任意整数，因此所有可能的散布模式的数量为c^m。

4)计算c^m下每个散布模式

的概率p：

式中，

为

对应的每个

出现的次数。

5)根据信息熵理论，时间序列x的散布熵可定义为：

6)在每个尺度因子τ下的RCMDE定义为：

7)在指定尺度因子τ下，将RCMDE值形成状态特征向量，用于对信号状态进行判别。

在步骤S206处，将各传感器对应的状态特征向量进行特征融合，以形成多维状态特征向量。在一些实施例中，将各传感器获取的状态特征向量进行特征融合，形成多维状态特征向量X＝[X¹({T_i(r)}),…,Xⁿ({T_i(r)})],i＝1,2,…,n。

在步骤S207处，将多维度特征向量划分为训练样本和测试样本。

在步骤S208处，利用训练样本对模糊神经网络进行训练，以得到训练好的神经网络检测模型。在一些实施例中，多维度特征向量划分为训练样本P和测试样本Q，利用训练样本P训练模糊神经网络，利用训练好的模糊神经网络对测试样本Q进行检测，实现滚动轴承故障类型的诊断。模糊神经网络的计算步骤如下：

1)对于k维状态特征向量T＝[r₁,r₂,∑,r_k]计算个输入变量r_j的隶属度，隶属度函数采用高斯型：

其中，μ为高斯型隶属度函数系数，

为第j个变量在第i个模糊子集中的隶属度函数，

分别是第j个变量在第i个模糊子集中隶属度函数的中心和宽度，k为特征向量数目，n为模糊子集数。

2)将各隶属度进行模糊计算∑模糊算子采用连乘算子ωⁱ：

3)根据模糊计算结果计算模糊模型的输出值y_i：

4)计算误差e：

其中，y_d为网络期望输出，y_c为网络实际输出。

5)根据输出结果，修正相关系数及参数

其中，

为第j个变量在第i个模糊子集中的第k个相关系数，α为模糊模型实际输出值调整参数，

为模糊模型实际输出值，

为第j个变量在第i个模糊子集中的第k个隶属度函数的中心，，

为第j个变量在第i个模糊子集中的第k个隶属度函数的宽度，β为模糊模型实际输出参数调整系数，

为模糊模型实际隶属度函数的中心，

为模糊模型实际隶属度函数的的宽度。

在步骤S209处，利用训练好的神经网络检测模型对测试样本进行检测，以判断所述滚动轴承的故障类型。

在一个实施例中，所述利用训练样本对模糊神经网络进行训练以得到训练好的神经网络检测模型包括：对于k维状态特征向量计算输入变量的隶属度；采用连乘算子对各隶属度进行模糊计算，以得到模糊计算结果；根据模糊计算结果计算模糊神经网路模型的输出值，所述输出值包括网络期望输出值和网络实际输出值；根据所述网络期望输出值和网络实际输出值计算对应的误差值；根据所述输出结果和误差值，修正所述模糊神经网络模型中的相关系数及参数，以得到训练好的神经网络检测模型。

为验证上述实施例的有效性，本发明将结合图3所示的滚动轴承故障综合模拟实验台，进一步阐述本发明在滚动轴承故障检测时的效果。如图3所示，该实验台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载***和测试轴承等组成。实验所采用的轴承例如可以为LDK UER204型滚动轴承，其相关参数如表1所示。

表1LDK UER204型滚动轴承参数

故障模拟时，内圈故障为磨损故障、外圈为裂损故障、保持架为断裂故障。图4a、图4b和图4c中分别给出了模拟过程中轴承的三种失效形式和位置。接下来将结合滚动轴承的内圈磨损故障检测过程进行说明，图5a至图11为内圈磨损故障的各项数据示意。

信号采集过程中，为全面监测滚动轴承状态，将两个PCB 352C33单向加速度传感器分别通过磁座固定于测试轴承的水平和垂直方向。采用DT9837便携式信号采集器进行加速度信号的采集，信号采样频率为25.6kHz，采样间隔1min，每次采样时长为1.28s，分析时长0.5s。

图5a和图5b分别为本发明应用实施例中采集的内圈故障状态下水平位置和垂直位置加速度传感器所获得的滚动轴承振动信号。由图5a和图5b可知，由于未采用噪声滤除装置，所采集到的振动信号中含有大量的噪声成分，导致信号内部分冲击成分被淹没在噪声中，而这些冲击成分正是表征信号特性的关键，若其丢失将会严重影响信号特征提取的准确性，降低故障诊断的可靠性。为此，采用奇异值差分谱对其进行降噪处理。

信号采样点数N＝12800为偶数，故Hankel矩阵行数为6400，获得6400个奇异值。由于奇异值差分谱的最大值通常在靠前的位置，故取前50个水平方向内圈故障信号的奇异值及其奇异值差分谱，如图6中示出了该前50个水平方向内圈故障信号的奇异值及其奇异值差分谱。

由图6可知，奇异值差分谱中的最大突变点为2。保留前2个奇异值，将余下设置为0后进行重构，降噪后信号如图7a所示。按此方法对垂直方向内圈故障信号进行去噪，结果如图7b所示。

由图7a和图7b可知，内圈故障信号内大部分噪声干扰成分得到滤除，信号的冲击特性得到突显。但仍可看出，不同位置的内圈降噪信号间的波形存在一定的相似性，为保证故障诊断的准确性，需进一步对上述降噪信号特征提取。

采用MODWPT对奇异值差分谱降噪后的内圈故障信号进行分解，并计算分解所得各成分分量的差异度，结果如图8所示。由图8可知，水平方向和垂直方向奇异值差分谱去噪后内圈故障信号经MODWPT分解后，成分C1～C3的差异度较大，取上述成分分量对信号进行重构，重构后信号如图9a和图9b所示。

由图9a和图9b可知，信号内的高频噪声和低频背景成分得到进一步滤除，信号内的冲击特性更加明显，且信号时域波形的相似性有所降低，为后续信号特征提取的准确性提供了保证。

按此方法对随机采集到的一组不同状态下滚动轴承振动信号进行处理获取重构信号。计算各重构信号的RCMDE值，结果如图10所示。计算过程中，嵌入维数m＝2、类别c＝5、延时d＝1、最大尺度因子τ_max＝20。可以看出，不同故障间具有较好的区分度，表明信号的自身特性得到有效提取，为后续的故障诊断提供了保证。

将水平方向和垂直方向同一故障的两个MODWPT重构信号计算所得RCMDE值融合为一高维状态特征向量。将该高维状态特征向量为一个样本，每类故障随机取50个样本，3类故障共150个样本。将其中得80％划分为训练集，余下20％划分为测试集，如表2所示。

表2实验过程中轴承数据集的划分

为减小随机误差，将训练样本用模糊神经网络训练10次，再用测试样本进行测试，最后得到相应故障诊断结果。结果如图11所示，为比较分析，还给出了基于单一方向传感器振动信号的故障诊断结果，由图11所示，基于多传感器融合信号的诊断结果明显优于单一传感器，说明此方法是可行、有效的，同时也为小样本情况下的故障诊断问题提供了一定的借鉴。

基于此，本发明在第二方面中还提供了一种用于滚动轴承的故障判断装置，包括：处理器；以及存储器，其存储有用于滚动轴承的故障判断的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据前文一个或多个实施例中所述的故障判断方法。

本发明在第三方面中还提供了一种计算机可读存储介质，其上存储有用于滚动轴承的故障判断的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如前文一个或多个实施例中所述的故障判断方法。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。所附权利要求书旨在限定本发明的保护范围，并因此覆盖这些权利要求范围内的模块组成、等同或替代方案。

Claims (10)

1.一种用于滚动轴承的故障判断方法，其特征在于，包括：

获取多个传感器采集的滚动轴承的振动信号；

根据最大重叠离散小波变换对所述振动信号进行分解和重构，以得到重构信号；

确定所述重构信号对应的多尺度散布熵，并形成多维状态特征向量；

利用训练好的神经网络检测模型对所述多维状态特征向量进行检测，以判断所述滚动轴承的故障类型。

2.根据权利要求1所述的故障判断方法，其特征在于，所述获取多个传感器采集的滚动轴承的振动信号还包括：

对所述振动信号进行奇异值差分谱分解，并滤除所述振动信号内的噪声干扰成分，以得到去噪后的振动信号。

3.根据权利要求2所述的故障判断方法，其特征在于，所述对所述振动信号进行奇异值差分谱分解并滤除所述振动信号内的噪声干扰成分包括：

对多个传感器所采集到的滚动轴承的振动信号进行奇异值分解，以得到每个振动信号对应的奇异值；

计算所述振动信号的奇异值差分谱，并进行奇异值重构，以进行降噪。

4.根据权利要求1所述的故障判断方法，其特征在于，所述根据最大重叠离散小波变换对所述振动信号进行分解和重构以得到重构信号包括：

根据最大重叠离散小波变换对所述振动信号进行分解，以获取多个成分分量；

计算成分分量之间的差异度，并对信号特征敏感的成分分量进行重构，得到重构信号。

5.根据权利要求4所述的故障判断方法，其特征在于，所述计算成分分量之间的差异度包括：

式中，μ_n(i)，δ_n(i)，μ_un(i)，δ_un(i)分别为正常信号和最大重叠离散小波变换分解出的成分分量的均值和标准差，x_i和y_i分别为正常信号和成分分量信号，DID为差异度，σ₁,σ₂为经奇异值分解后得到的奇异值。

6.根据权利要求1所述的故障判断方法，其特征在于，所述确定所述重构信号对应的多尺度散布熵并形成多维状态特征向量包括：

确定各重构信号在不同尺度因子下的精细复合多尺度散布熵，以形成状态特征向量；

将各传感器对应的状态特征向量进行特征融合，以形成多维状态特征向量。

7.根据权利要求1所述的故障判断方法，其特征在于，所述利用训练好的神经网络检测模型对所述多维状态特征向量进行检测，以判断所述滚动轴承的故障类型包括：

将多维度特征向量划分为训练样本和测试样本；

利用训练样本对模糊神经网络进行训练，以得到训练好的神经网络检测模型；

利用训练好的神经网络检测模型对测试样本进行检测，以判断所述滚动轴承的故障类型。

8.根据权利要求7所述的故障判断方法，其特征在于，所述利用训练样本对模糊神经网络进行训练以得到训练好的神经网络检测模型包括：

对于k维状态特征向量计算输入变量的隶属度；

采用连乘算子对各隶属度进行模糊计算，以得到模糊计算结果；

根据模糊计算结果计算模糊神经网路模型的输出值，所述输出值包括网络期望输出值和网络实际输出值；

根据所述网络期望输出值和网络实际输出值计算对应的误差值；

根据所述输出结果和误差值，修正所述模糊神经网络模型中的相关系数及参数，以得到训练好的神经网络检测模型。

9.一种用于滚动轴承的故障判断装置，其特征在于，包括：

处理器；以及

存储器，其存储有用于滚动轴承的故障判断的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据权利要求1-8的任意一项所述的故障判断方法。

10.一种计算机可读存储介质，其特征在于，其上存储有用于滚动轴承的故障判断的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1-8中任意一项所述的故障判断方法。

Images