[发明专利]一种泵轴承故障诊断方法

说明书

本发明提出一种泵轴承故障诊断的方法，通过信号检测模块对振动信号进行采集,通过调理电路消除高频干扰；将得到的数据进行归一化处理，采用固有时间尺度分解方法对泵机组故障信号进行分解，一次分解得到一个基线信号和一个固有旋转分量,提取多个固有旋转分量的RMS作为特征值组成该旋转频率下的故障特征数据组；在轴承不同故障下重复上述操作得到故障样本数据集X；将数据集X作为LIB‑SVM的输入，构建故障分类模型对轴承故障信号进行模式识别；建立轴承故障数据库。本发明通过分析电机电流电压信号的此种方法，具有操作方便，安装灵活以及稳定性好的特点。

技术领域

本发明涉及流体机械监测技术领域，特别涉及一种泵轴承故障诊断方 法。

背景技术

泵的结构复杂，工作在高温、高速的恶劣条件下，再加上各种随机因 素的影响，容易发生各种机械故障，使得其功能降低。生产系统中一旦泵 出现故障，将会导致连锁反应，严重会造成设备损坏乃至生产系统的瘫痪， 无法正常工作，给企业和社会造成巨大经济损失。

现有技术中CN103758742B公开了一种基于双类特征融合诊断的柱塞泵 故障诊断系统，该系统通过加速度传感器将泵的振动信号转变为电信号， 用双类特征提取方式提取信号的小波包相对能量谱和小波包相对特征熵两 类特征进行故障诊断。该系统实际操作需要将加速度传感器与泵体连接， 振动信号的特征与连接位置有很大关系，因此，要想准确监测某个故障需 要在泵体多个位置操作，过程繁琐而且耗时，大多数情况下还需要专业操 作人员进行监测。

现有技术中CN108303253B公开了一种基于长短时记忆循环神经网络的 轴承早期故障识别方法。对轴承振动信号进行采集后提取常用的时域特征， 利用时域特征和熵特征构建特征数据集并作为训练样本对LSTM循环神经网 络进行训练。通过训练好的LSTM循环神经网络对故障发生时刻进行识别。 该发明将振动信号的传统特征和熵特征进行结合,在保证振动特征量物理 意义的情况下,准确反映轴承当前状态。但对于干扰信号所造成的误判无法 有效辨别。

发明内容

为解决上述至少一个技术问题，本发明公开了一种泵轴承故障诊断的 方法，包括如下步骤：

信号检测模块对振动信号进行采集，并通过调理电路消除高频干扰；

对采集的故障信号进行多次分解，一次分解得到一个基线信号和一个 固有旋转分量，提取多个所述固有旋转分量的RMS作为特征值组成该旋转 频率下的故障特征数据集，其中，对所述故障信号的分解采用固有时间尺 度分解(ITD)方法；

对所述故障特征数据集做归一化处理，并构建故障分类模型对轴承故 障信号进行模式识别，其中，所述模式识别包括训练阶段和识别阶段；

建立轴承故障数据库。

所述构建故障分类模型步骤之前先做作为LIB-SVM的输入。

所述建立轴承故障数据库步骤具体包括建立不同型号轴承故障的 LIB-SVM诊断模型、及扩展某一型号的故障类别。

所述训练阶段具体包括：

S101.将整理好的故障样本数据集根据故障症状进行划分，并建立训练 样本集T＝{x_i，y_i}∈(X×Y)^ι，

其中，x_i∈Rⁿ，y_i∈{-1，1}(i＝1,2…,L)，x_i为特征向量；

S102.根据Mercer定理，选取适当的核函数K(x_i，x_j)并给定核参数初值 C，构造并求解最优化问题：

得到最优解：