[发明专利]一种智能旋转机械故障深度网络特征辨识方法

说明书

本发明公开了一种智能旋转机械故障深度网络特征辨识方法，通过在列车滚动轴承待检测旋转机械部位设置振动传感器，收集滚动轴承工作时的原始振动序列，然后通过奇异谱分析方法将原始振动序列进行分解重构，并提取重构振动序列的均方根值、标准差、偏度指标和峰值，利用支持向量机训练得到的旋转机械故障位置诊断模型来判断故障位置，然后将重构振动序列进行集合经验模态分解，计算分解后的一组固有模态分量各自的排列熵值，将排列熵值的排列组合作为检测特征，利用支持向量机训练得到的旋转机械故障类型诊断模型来判断故障类型。本发明能更及时地检测出旋转机械的故障位置和故障类型，提高故障诊断的准确性和可靠性。

技术领域

本发明涉及机械系统故障辨识领域，特别是指一种智能旋转机械故障深度网络特征辨识方法。

背景技术

随着高速铁路技术的不断进步和智能高铁计划的提出，高铁运营安全越来越受到人们的关注。高速铁路组成复杂，而旋转机械在其中占据了重要地位，例如转向架电机，牵引制动装置都包含了大量旋转机械。不过旋转机械在长期使用过程中，极其容易出现不同程度的损耗而产生各种故障，如果发现不及时导致机械故障积累，轻则出现晚点事故导致经济损失，重则产生安全隐患造成安全事故。

现在旋转机械的诊断方法以采集振动信号为主，对其进行分析诊断。但是振动信号在故障早期异常变化极其微小，常规诊断方法往往效果不佳。现有的诊断算法中同时针对诊断部位和诊断类型进行检测，导致训练样本维度高，而且对原始数据的前处理较为简单，效果一般，故而导致最终模型检测精度不高。

因此，为了进一步提高高速铁路的稳定运营和安全运行，需要更好更及时的检测出旋转机械的故障部位和故障类型，提高故障诊断的准确性和可靠性，一种智能可靠的机械故障诊断方法急需被提出。

发明内容

本发明提供一种智能旋转机械故障深度网络特征辨识方法，通过对振动信号进行特征提取，基于深度网络对特征进行辨识诊断旋转机械是否发生故障、故障位置以及故障类型，提高故障诊断的准确性和可靠性。

为实现上述技术目的，本发明采用如下技术方案：

一种智能旋转机械故障深度网络特征辨识方法，包括以下步骤：

步骤1，获取旋转机械的原始振动信号；

步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；

步骤3，计算重构振动序列的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M；

步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量C₁(t),C₂(t),…C_n(t)，并计算得到各个固有模态分量C_i(t)的排列熵值H_i；

步骤5，构建训练样本，训练诊断模型；

将旋转机械的原始振动信号对应的均方根值RMSE、标准差SDE、偏度指标Skewness、峰值M和机械故障位置，作为旋转机械的第一训练样本；

将旋转机械的原始振动信号对应的各个固有模态分量C_i(t)的排列熵值H_i和机械故障类型，作为旋转机械的第二训练样本；

以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型；

以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型；