[发明专利]一种基于神经网络的轴承健康状态评估方法及装置

说明书

本发明涉及故障诊断技术领域，具体涉及一种基于神经网络的轴承健康状态评估方法及装置，首先获取训练数据，所述训练数据为表征轴承振动信号的历史数据，并提取所述训练数据的特征值和所述特征值对应的故障类型，接着确定所述训练数据的优选降维训练数据，进而计算所述优选降维训练数据中各个故障类型对应的均值和协方差矩阵，通过对实时接收的测试数据进行降维，得到降维测试数据，根据所述均值和协方差矩阵计算所述降维数据在各个故障类型下的概率值，将概率值最大的故障类型作为轴承故障诊断的故障类型，本发明提高了轴承故障诊断的在线预测速率。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于神经网络的轴承健康状态评估方法及装置。

背景技术

作为新兴的综合性的边缘学科，轴承故障诊断技术已初步形成了比较完整的学科体系。就其技术手段而言，振动诊断技术已经成为轴承故障诊断的主流技术。而计算机技术与信号信息处理技术的飞速进步，极大地推动了轴承故障诊断和监测技术向着科学化和实用化的方向发展。

然而，在目前的轴承故障诊断领域，往往存在大规模数据并发的情况，对故障诊断的实时性要求带来极大的挑战，迫切需要提高轴承故障诊断的在线预测速率。

发明内容

本发明的目的在于提供一种基于神经网络的轴承健康状态评估方法及装置，旨在提高轴承故障诊断的在线预测速率。

为了实现上述目的，本发明提供以下技术方案：

一种基于神经网络的轴承健康状态评估方法，包括：

获取训练数据，所述训练数据为表征轴承振动信号的历史数据；

提取所述训练数据的特征值和所述特征值对应的轴承健康状态；

确定包含所述特征值和所述轴承健康状态对应关系的分类模型；

响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。

进一步，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。

进一步，所述确定包含所述特征值和所述轴承健康状态对应关系的分类模型，包括：

通过自组织神经网络算法将所述特征值划分为多个特征集；

计算每个特征集的方差值和所有特征集的平均方差值；

根据所述方差值和所述平均方差值的大小生成比较结果，根据所述比较结果初步判断轴承健康状态；

根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值；

将所述类别和分类差值作为所述轴承健康状态的分类模型。

进一步，所述根据所述比较结果初步判断轴承健康状态，具体为：

当特征集的方差值≤所有特征集的平均方差值时，所述轴承健康状态为正常状态；

当特征集的方差值＞所有特征集的平均方差值时，所述轴承健康状态为异常状态。

进一步，所述根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值，包括：

获取所有特征集的方差值，比较得出所有方差值中的最小方差值和最大方差值，将所述最小方差值记为S_min,将所述最大方差值记为S_max,将所有特征集的平均方差值记为

通过以下公式计算所述特征集的分类差值：