[实用新型]一种滚动轴承故障诊断装置

说明书

技术领域

本实用新型属于机械故障诊断和计算机人工智能技术领域，尤其涉及一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断装置。

背景技术

滚动轴承是旋转机械中最为重要的关键部件之一，滚动轴承广泛应用于化工、冶金、电力、航空等各个重要领域，但同时它也经常处在高温、高速、重载等恶劣的工作环境中，致使滚动轴承是最易损坏的元件之一。轴承性能与工况的好坏直接影响到与之相关联的轴以及安装在转轴上的齿轮乃至整台机器设备的性能，其缺陷会导致设备产生异常振动和噪声，甚至造成设备损坏，事实上，机械失效问题归因于轴承故障的机率非常高。因此，对滚动轴承故障进行诊断，尤其是对于早初期故障的分析，实现快速、准确的轴承故障监测对于机械设备的正常工作以及安全生产具有重大的意义。

特征提取实质上是一种变换，通过映射或变换的方式将样本在不同空间中进行转换。目前常用的机械故障特征提取方法主要有傅里叶变换(Fourier Transform，简称FT)、快速傅里叶变换(Fast Fourier Transform，简称FFT)、小波变换(Wavelet Transform，简称WT)、和经验模态分解(Empirical Mode Decomposition，简称EMD)、希尔伯特-黄变换(Hilbert-Huang Transform，简称HHT)等。

傅里叶变换作为线性时频分析方法，能够清晰快速地处理信号，具有一定的时频分辨率，其灵活性和实用性较为突出，但是由于傅里叶变换是信号在频域的表示，时间分辨率为零，并且它对非线性、非平稳信号具有不确定性，导致其应用范围具有局限性。FFT方法无法同时兼顾信号在时域和频域中的全貌和局部化问题。小波变换可以对时间频率进行局部化分析，达到高频处时间细分，低频处频率细分，自适应地对时频信号进行分析，但是小波基不同，分解结果不同，小波基比较难选择。EMD方法能将信号分解为多个IMF(Intrinsic Mode Function，本征模态函数)分量，对所有IMF分量做Hilbert变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包络、端点效应等问题，均处在研究之中。HHT是通过信号的EMD分节，是非平稳信号平文化，它摆脱了线性和平稳性的束缚，对突变信号有高精度。

目前所使用的特征提取方法基于信号处理技术，主要以人工提取为主，故障诊断的识别精度依赖于特征提取的优劣程度。

有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断装置，以提高滚动轴承故障诊断的准确性和有效性。

实用新型内容

为解决上述技术问题，本实用新型的目的是提供一种准确性和有效性较高的滚动轴承故障诊断装置。

本实用新型的滚动轴承故障诊断装置，包括

-加速度传感器，用于采集四种工况下样本滚动轴承工作在不同转速的振动加速度信号以及待测滚动轴承工作时的振动加速度信号；

-数据处理单元，与所述加速度传感器连接，包括卷积神经网络模块，用于提取振动加速度信号的特征信号，将提取好的样本轴承的特征结合其标签输出、将提取好的待测轴承的特征直接输出；

-识别模块，与所述数据处理单元的输出端连接，用于对结合了标签的样本轴承的特征进行模型训练、对提取好的待测轴承的特征根据模型输出进行状态识别。

进一步的，所述加速度传感器通过预处理模块与所述数据处理单元连接，所述预处理模块用于对振动加速度信号进行去噪处理。

进一步的，所述识别模块为支持向量回归分类器。

进一步的，所述四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转。

借由上述方案，本实用新型至少具有以下优点：

1、通过预处理模块对信号进行去噪处理，确保振动加速度信号不受干扰，使数据处理单元摆脱了噪声信号的影响，从而使支持向量回归分类器能够训练出精确的故障模型，供待测滚动轴承的信号进行匹配，以快速的得到待测滚动轴承的故障诊断结果；

2、将振动加速度信号由卷积神经网络和支持向量回归处理，能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于机械、化工、冶金、电力、航空等领域的复杂系统中。

上述说明仅是本实用新型技术方案的概述，为了能够更清楚了解本实用新型的技术手段，并可依照说明书的内容予以实施，以下以本实用新型的较佳实施例并配合附图详细说明如后。

附图说明