[发明专利]轴承健康状态监测方法、装置、计算机设备及存储介质

说明书

本申请涉及一种轴承健康状态监测方法、装置、计算机设备及存储介质。所述方法包括：获取轴承的振动波形数据，并提取振动波形数据的幅值特征；通过预先建立的变换矩阵对幅值特征进行特征重构，其中，根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量，基于所述特征值和所述特征向量生成所述变换矩阵；根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。采用本方法能够克服标记样本数据依赖、监测更为准确，并且提取特征统一、可解释性强。

技术领域

本申请涉及轴承监测技术领域，特别是涉及一种轴承健康状态监测方法、装置、计算机设备及存储介质。

背景技术

轴承作为工业场景中旋转机械设备主要部件之一，轴承的健康状态直接影响设备的运行状况。轴承损坏往往造成设备功能失效故障停机，给工厂带来财产损失。轴承状态监测无法通过直接测量或者直观估计获取。

传统技术中，一般基于轴承的振动信号采用神经网络进行监督学习，实现轴承健康监测，其中，模型训练样本需要人工标记轴承正常与故障状态，且模型训练与测试使用轴承非同一个，即使相同工况同一批次的同一型号轴承 ，其轴承振动数据分布仍然存在差异，故而针对预测与训练集不同分布的测试样本时，神经网络模型难以取得理想的泛化效果。此外，当前轴承健康状态监测与故障诊断模型耦合性较弱，健康状态监测与故障诊断过程提取特征不统一，模型提取的特征缺乏可解释性，增加现场维修人员认知门槛。

发明内容

根据此，有必要针对上述技术问题，提供一种能够克服标记样本数据依赖、监测更为准确、提取特征统一、可解释性强的轴承健康状态监测方法、装置、计算机设备及存储介质。

第一方面，本申请提供了一种轴承健康状态监测方法，方法包括：

获取轴承的振动波形数据，并提取振动波形数据的幅值特征；

通过预先建立的变换矩阵对幅值特征进行特征重构，其中，根据健康状态的轴承特征集构造核矩阵并计算核矩阵的特征值和特征向量，基于所述特征值和所述特征向量生成所述变换矩阵；

根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态。

在其中一个实施例中，获取轴承的振动波形数据，并提取振动波形数据的幅值特征包括：

采集轴承的振动波形数据，并根据轴承频率与轴转速的线性关系，对振动波形数据进行轴转速校准；

根据轴承的故障特征频率提取振动波形数据中对应的幅值特征，其中，根据轴承部件的结构参数得到轴承的故障特征频率。

在其中一个实施例中，故障特征频率至少包括轴承内圈故障频率及其倍数、外圈故障频率及其倍数、滚动体故障频率及其倍数、保持架故障频率及其倍数。

在其中一个实施例中，根据轴承的故障特征频率提取振动波形数据中对应的幅值特征包括：

根据与故障特征频率相邻的最近谱线对应的幅值得到轴承故障特征频率对应的幅值特征。

在其中一个实施例中，通过预先建立的变换矩阵对幅值特征进行特征重构包括：

对幅值特征进行标准化处理；

通过KPCA的变换矩阵对幅值特征进行特征重构。

在其中一个实施例中，根据特征重构前后幅值特征的距离偏差和方向偏差确定轴承的健康状态包括：

对特征重构前后的幅值特征进行相似度评估，获取特征重构前后的特征余弦距离；

对特征余弦距离进行值域平移与尺度变换，并根据特征余弦距离及幅值特征的重构偏差绝对距离计算轴承健康状态因子；

将轴承健康状态因子与预设阈值比较，确定轴承的健康状态。