[发明专利]一种基于滚动轴承故障诊断方法、电子装置及存储介质

说明书

本发明公开了一种滚动轴承故障诊断方法、电子装置及存储介质，方法包括获取滚动轴承在不同运行状态下的多个振动加速度信号；运行状态包括故障状态、转速、载荷及故障程度；对每个振动加速度信号经调理放大及采样量化后，获得对应的一维离散数字信号；对一维离散数字信号经双谱计算以及降维后获得二维特征矢量；根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，获得适合当前运行状态的特征向量；通过特征向量训练隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，根据状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。

技术领域

本发明涉及机械故障诊断领域，尤其涉及一种基于滚动轴承故障诊断方法、装置及存储介质。

背景技术

滚动轴承是旋转装备重要的零部件之一，也是最容易损坏的零部件，其性能状态对生产效益和生产安全起至关重要的作用，当前已有的智能故障诊断方法大多只适合恒定工况，假设故障程度、转速、载荷等不发生变化，但是，在实际工程实践中，滚动轴承往往以变工况方式运行，伴随着转速、载荷、故障程度甚至是三者同时动态发生变化的情形。因此，近年来，有学者关注到变工况故障诊断并提出诊断方法，如：1、在转轴上安装光编码盘或键控装置获取转速信息后，在角度域对信号重采将时间域的非均匀信号转化成等角度采样信号，进而通过阶次谱判别轴承状态。2、利用共振解调或广义解调等信号分析手段，从滚动轴承振动信号中提取轴承转速信息，通过等角度重采后用于轴承状态判别。3、通过经验模态分解(EMD)、变分模态分解(VMD)、奇异值分解(SVD)和主成分分析(PCA)等方法，提取工况变化情形下的信号特征，再用神经网络或支持向量机等方法辩识故障类型。4、基于迁移学习理念，将源域知识迁移到目标域中，以降低工况变化导致的信息不匹配。但这些变工况故障诊断方法仅适合变转速或变载荷使用环境，未能处理变故障程度或者是工况和故障程度同时变化情形，同时也未能从诊断原理上解决因运行状态变化对诊断模型的干扰，存在应用范围受限、运算量大、依赖经验等客观缺点。

发明内容

针对上述问题，本发明的目的在于提供基于滚动轴承故障诊断方法、装置及存储介质，能在转速、载荷、故障程度三种运行参数变化情形下有效诊断故障类型。

本发明实施例提供了一种滚动轴承故障诊断方法，包括：

获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、转速、载荷以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；

对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；

对所述一维离散数字信号经双谱计算后，获得二维频谱；

对所述二维频谱进行数据降维，获得二维特征矢量；

根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征向量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；

通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断。

优选地，对所述一维离散数字信号经双谱计算后，获得二维频谱，具体为：

对所述一维离散数字信号进行预处理操作，以使其均值为零；

对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；

计算每一个数据段的离散傅立叶系数；

根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；

对三重相关系数进行平均值估算，获得二维频谱。