一種軸承故障特徵的提取方法、電子設備及存儲介質
2023-08-10 07:15:13
1.本技術涉及一種軸承故障特徵提取方法，尤其涉及一種軸承故障特徵的提取方法、電子設備及存儲介質，屬於軸承故障特徵提取技術領域。
背景技術：
2.滾動軸承是旋轉機械的核心元件，並且是容易發生故障的元件之一。通常，將加速度傳感器安裝在機械外殼上來監測機械的運行狀況，並通過診斷信號診斷軸承故障。由於早期的軸承故障引起的異常振動幅度較小，故障信號會被淹沒在機械運行時產生的正常振動中。
3.針對上述問題，有研發人員提出一種滾動軸承故障振動信號分析方法(cn114441172a)，該方法包括s1獲得原始振動信號，計算特徵頻率；s2初始化粒子群算法的參數，設定尋優濾波器長度的範圍及迭代次數；s3初始化濾波器，對振動信號採用基於平方包絡譜的盲反卷積進行濾波處理，得濾波信號；s4計算濾波信號的故障特徵頻率比，將故障特徵頻率比的最大值作為粒子群算法的適應度函數，更新粒子群算法中粒子的速度和位置；s5重複步驟s3至s4，至粒子的最佳位置不發生改變或者達設定迭代次數，輸出最優濾波器長度；s6獲得最優濾波器長度對應的濾波器濾波後的信號，對濾波後的信號進行包絡分析，識別故障類型。
4.雖然該方法可在強噪聲和諧波幹擾條件下提取滾動軸承的故障特徵。但是，該方法存在粒子群算法受隨機初始化參數和解空間限制的問題，不利於尋找複雜的非凸優化問題的全局最優解。
技術實現要素：
5.在下文中給出了關於本發明的簡要概述，以便提供關於本發明的某些方面的基本理解。應當理解，這個概述並不是關於本發明的窮舉性概述。它並不是意圖確定本發明的關鍵或重要部分，也不是意圖限定本發明的範圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍後論述的更詳細描述的前序。
6.鑑於此，為解決現有技術中存在的粒子群算法受隨機初始化參數和解空間限制、不利於尋找複雜的非凸優化問題的全局最優解的技術問題，本發明提供一種軸承故障特徵的提取方法、電子設備及存儲介質
7.方案一：一種軸承故障特徵的提取方法，包括以下步驟：
8.s1.將機械振動信號輸入至多任務卷積神經網絡中，經過一維卷積層和批歸一化層，進行卷積層和批歸一化層的權重參數的優化；
9.s2.多任務卷積神經網絡輸出包括兩條支路；第一條支路為計算時域指標k1，第二條支路計算包絡譜指標k2；
10.s3.將時域指標k1和包絡譜指標k2求和計算損失函數；
11.s4.對多任務卷積神經網絡進行訓練，使用深度學習優化器優化多任務卷積神經
網絡權重，優化損失函數到最小值，迭代至前後誤差小於0.0001後停止迭代，得到最優的權重和學習參數；
12.s5.將被測信號輸入至s4所述訓練後的多任務卷積神經網絡進行盲反卷積，根據振動信號的包絡譜識別具體的故障特徵。
13.優選的，卷積層優化的方法是：將卷積層設置為無偏置卷積、單卷積核，卷積步長為1，設置補零保持輸入和輸出長度一致，表達式如下：
[0014][0015]
式中，conv1d為一維卷積層，y為輸入的軸承故障振動信號，假設全信號長度為n，則y＝[y(1)，y(2)，...，y(n)]，n＝n，w為卷積層權重矩陣，為卷積層輸出。
[0016]
優選的，批歸一化層的權重參數的優化方法是：表示式如下：
[0017][0018]
式中，bn為批歸一化層，n為採樣的離散點信號，μ為輸入的均值，σ為輸入的標準差，γ、β為可學習參數；x(n)為卷積神經網絡恢復的單點軸承故障振動信號，對全部離散點信號進行操作，完成全信號的計算。
[0019]
優選的，第一條支路計算時域指標的方法是：選用峭度作為時域指標，表達式如下：
[0020][0021]
優選的，第二條支路計算包絡譜指標的方法是：
[0022]
s21.將神經網絡的輸出計算希爾伯特變換hilbert，得到信號的包絡e，表達式如下：
[0023]
e＝|x+ihilbert(x)|
[0024]
式中，i為複數標記；
[0025]
s22.將信號的包絡輸出進行傅立葉變換，得到信號的包絡譜，表達式如下：
[0026]
es＝|fft(e)|
[0027]
式中，fft為傅立葉變換；
[0028]
s23選用g-l1/l2計算包絡譜指標，表達式如下：
[0029][0030]
式中，λ為尺度因子，用於調整兩個指標平衡，設置為0.01，es(n)為信號的包絡譜。
[0031]
優選的，將時域指標k1和包絡譜指標k2求和計算損失函數，表達式如下：
[0032][0033]
式中，λ為尺度因子，用於調整兩個指標平衡，設置為0.01。
[0034]
方案二：一種電子設備，包括存儲器和處理器，存儲器存儲有電腦程式，所述的處理器執行所述電腦程式時實現方案一所述一種軸承故障特徵的提取方法的步驟。
[0035]
方案三：一種計算機可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現方案一所述的一種軸承故障特徵的提取方法。
[0036]
本發明的有益效果如下：本發明結合了時域和包絡譜盲反卷積的優化指標，使其相互約束，克服了兩類方法各自的缺陷，使反卷積恢復的信號在時域和頻域上都具有顯著的故障特徵，並且在多個故障信號下都具有穩定的表現，本發明從測量的振動信號中提取早期的故障信號特徵，即使在強噪聲環境下，也能準確的提取到故障信號特徵。一方面，本發明可直接作為振動信號的提取方法，對振動信號監測設備採集到的信號直接提取；另一方面，本發明可作為軸承故障診斷模型的前處理方法，增強故障診斷模型在複雜工況下的表現。本發明相較於使用粒子群算法優化濾波器係數，利用深度學習神經網絡進行優化問題的求解，解決了粒子群算法受隨機初始化參數和解空間限制的問題，有利於尋找複雜的非凸優化問題的全局最優解。
附圖說明
[0037]
此處所說明的附圖用來提供對本技術的進一步理解，構成本技術的一部分，本技術的示意性實施例及其說明用於解釋本技術，並不構成對本技術的不當限定。在附圖中：
[0038]
圖1為一種軸承故障特徵的提取方法流程示意圖；
[0039]
圖2為典型軸承故障振動信號的頻域特徵示意圖；
[0040]
圖3為原始信號時域波形圖和頻域波形示意圖；
[0041]
圖4為盲反卷積處理後的時域波形圖和頻域波形示意圖。
具體實施方式
[0042]
為了使本技術實施例中的技術方案及優點更加清楚明白，以下結合附圖對本技術的示例性實施例進行進一步詳細的說明，顯然，所描述的實施例僅是本技術的一部分實施例，而不是所有實施例的窮舉。需要說明的是，在不衝突的情況下，本技術中的實施例及實施例中的特徵可以相互組合。
[0043]
實施例1、參照圖1-圖4說明本實施方式，一種軸承故障特徵的提取方法，包括以下步驟：
[0044]
s1.將機械振動信號輸入至多任務卷積神經網絡中，經過一維卷積層和批歸一化層，進行卷積層和批歸一化層的權重參數的優化；
[0045]
具體的，機械振動信號由加速度傳感器安裝在機械外殼上來監測機械的運行狀況獲取；
[0046]
卷積層優化的方法是：將卷積層設置為無偏置卷積、單卷積核，卷積步長為1，設置
補零保持輸入和輸出長度一致，表達式如下：
[0047][0048]
式中，conv1d為一維卷積層，y為輸入的軸承故障振動信號，假設全信號長度為n，則y＝[y(1)，y(2)，...，y(n)]，n＝n，w為卷積層權重矩陣，為卷積層輸出。
[0049]
優選的，批歸一化層的權重參數的優化方法是：表示式如下：
[0050][0051]
式中，bn為批歸一化層，n為採樣的離散點信號，μ為輸入的均值，σ為輸入的標準差，γ、β為可學習參數；x(n)為卷積神經網絡恢復的單點軸承故障振動信號，對全部離散點信號進行操作，完成全信號的計算。
[0052]
s2.多任務卷積神經網絡輸出包括兩條支路；第一條支路為計算時域指標，第二條支路計算包絡譜指標；第一條支路與第二條支路為並行關係；
[0053]
第一條支路計算時域指標的方法是：
[0054]
選用峭度作為時域指標，表達式如下：
[0055][0056]
第二條支路計算包絡譜指標的方法是：
[0057]
s21.將神經網絡的輸出計算希爾伯特變換hilbert，得到信號的包絡e，表達式如下：
[0058]
e＝|x+ihilbert(x)|
[0059]
式中，i為複數標記；
[0060]
s22.將信號的包絡輸出進行傅立葉變換，得到信號的包絡譜，表達式如下：
[0061]
es＝|fft(e)|
[0062]
式中，fft為傅立葉變換；
[0063]
s23選用g-l1/l2計算包絡譜指標，表達式如下：
[0064][0065]
式中，λ為尺度因子，用於調整兩個指標平衡，設置為0.01，es(n)為信號的包絡譜。
[0066]
s3.將時域指標k1和包絡譜指標k2求和計算損失函數，表達式如下：
[0067][0068]
式中，λ為尺度因子，用於調整兩個指標平衡，設置為0.01；
[0069]
s4.對多任務卷積神經網絡進行訓練，使用深度學習優化器優化多任務卷積神經
programmable gate array，fpga)或者其他可編程邏輯器件、分立門或者電晶體邏輯器件、分立硬體組件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。
[0078]
所述存儲器可主要包括存儲程序區和存儲數據區，其中，存儲程序區可存儲作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等；存儲數據區可存儲根據手機的使用所創建的數據(比如音頻數據、電話本等)等。此外，存儲器可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如硬碟、內存、插接式硬碟，智能存儲卡(smart media card,smc)，安全數字(secure digital,sd)卡，快閃記憶體卡(flash card)、至少一個磁碟存儲器件、快閃記憶體器件、或其他易失性固態存儲器件。
[0079]
實施例3、計算機可讀存儲介質實施例
[0080]
本發明的計算機可讀存儲介質可以是被計算機裝置的處理器所讀取的任何形式的存儲介質，包括但不限於非易失性存儲器、易失性存儲器、鐵電存儲器等，計算機可讀存儲介質上存儲有電腦程式，當計算機裝置的處理器讀取並執行存儲器中所存儲的電腦程式時，可以實現上述的基於creo軟體的可修改由關係驅動的建模數據的建模方法的步驟。
[0081]
所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始碼形式、對象代碼形式、可執行文件或某些中間形式等。所述計算機可讀介質可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、u盤、移動硬碟、磁碟、光碟、計算機存儲器、只讀存儲器(rom，read-only memory)、隨機存取存儲器(ram，random access memory)、電載波信號、電信信號以及軟體分發介質等。需要說明的是，所述計算機可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，計算機可讀介質不包括電載波信號和電信信號。
[0082]
儘管根據有限數量的實施例描述了本發明，但是受益於上面的描述，本技術領域內的技術人員明白，在由此描述的本發明的範圍內，可以設想其它實施例。此外，應當注意，本說明書中使用的語言主要是為了可讀性和教導的目的而選擇的，而不是為了解釋或者限定本發明的主題而選擇的。因此，在不偏離所附權利要求書的範圍和精神的情況下，對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。對於本發明的範圍，對本發明所做的公開是說明性的，而非限制性的，本發明的範圍由所附權利要求書限定。