[发明专利]一种变负载工况下电机轴承故障诊断方法

摘要

本发明公开了一种变负载工况下电机轴承故障诊断方法，本发明创新性的将轴承实时负载和传统的统计特征同时作为BP神经网络的输入参数，消除了负载对传统统计特征的影响，实现了在变负载工况下对轴承的故障类型及严重程度的综合判断，提高了轴承故障诊断的准确性和可靠性。同时，在BP网络的训练阶段，本发明引入了带有动量项的随机梯度算法，减小了训练过程中误差曲面的振荡趋势，提高了收敛速率。

主权项

1.一种变负载工况下电机轴承故障诊断方法，其特征在于：包括以下步骤：(1)信号采集：利用加速度传感器获取不同故障类型的电机轴承在不同负载下的振动信号；(2)测量轴承实时负载大小并提取对应振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、脉冲因子、裕度因子等7种传统统计特征，其计算公式如下：(a)峰值因子：(b)均方根值：(c)波形因子：(d)方差：(e)峭度：(f)脉冲因子：(g)裕度因子：其中，X＝(x₁,x₂,x₃,...,x_N)为轴承的振动信号，x_i为X中的离散信号，N为信号的采样点数；(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层；所述BP神经网络具体构造如下：①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：其中，为k时刻的负梯度，E为目标函数；D(k‑1)为k‑1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度；(4)BP神经网络的训练和使用：将轴承负载和步骤(2)中选取的7种传统统计特征一起作为样本集训练步骤(3)中构建的网络，并将训练好的网络对当前监测的轴承进行故障诊断；该方法将轴承负载作为新的特征和传统统计特征一起作为BP神经网络的输入参数训练，利用神经网络建立了负载、统计特征与输出类别之间的函数关系消除了负载对统计特征的影响；该方法可以解决电机轴承在不同负载下对轴承类别的精确分类。