滚动轴承故障诊断方法、装置、电子设备和可读存储设备

技术领域

本申请的实施例涉及数据处理领域，尤其涉及一种滚动轴承故障诊断方法 、装置、电子设备和计算机可读存储设备。

背景技术

滚动轴承是大型旋转机械中的关键部件，在设备运行过程中，滚动轴承容易发生故障，主要分为外圈故障、内圈故障和滚动体故障。关于故障诊断方法的分类，主要可以分为：基于模型的故障诊断技术、基于统计可靠性的故障诊断技术及基于数据驱动的故障诊断技术。

常用的信号处理、特征提取方法有EEMD、VMD、小波变换、时频域分析等，其中VMD是一种完全非递归的信号分解方法，该算法在变分框架中对信号分解，每个模态分量的频率中心及带宽在迭代求解变分模型的过程中不断更新，最后可以实现信号的自适应分解，再结合原始信号的时频域指标，实现信号的故障特征提取。

但是，仅运用EEMD、VMD、小波包分解等构造特征向量，会造成信号故障特征提取不充分的问题。

发明内容

在本申请的第一方面，提供了一种滚动轴承故障诊断方法。该方法包括：

获取滚动轴承的信号数据；

将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；

将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；

其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；

所述故障分类模型通过差分进化算法优化的BP神经网络构建。

进一步地，所述信号处理模型通过基于遗传算法优化的VMD算法构建包括：

构建训练样本集；所述样本集包括不同状态的滚动轴承振动信号；

通过遗传算法优化VMD算法中的本征模态函数个数和惩罚因子；

通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量；

提取所述样本集中滚动轴承振动信号数据中的时域和频域指标；

基于所述IMF分量、时域和频域指标，构建混合域特征集；

基于所述混合域特征集，完成所述信号处理模型的构建。

进一步地，所述通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量包括：

通过优化的VMD算法，将不同状态的振动信号分解成若干含故障信息的IMF分量，并求出前m个IMF分量的样本熵；

其中，所述m的值通过如下方式进行确定：

若训练集中有N条滚动轴承振动数据，则每条数据均采用遗传算法优化VMD的本征模态函数个数和惩罚因子，得到N个最优的K值，记为{

进一步地，所述时域和频域指标包括时域均方根、峭度、频域平均频率和/或频率标准差。

进一步地，所述BP神经网络中的隐层节点数的经验公式如下：

其中，

n为输入层节点数量；

m为输出层节点数量；

a为一个区间在[1,10]上的数。

进一步地，所述故障分类模型通过差分进化算法优化的BP神经网络构建包括：

通过差分进化算法优化神经网络的初始权值；

通过BP神经网络算法进行网络权值更新，构建故障分类模型。

进一步地，所述通过差分进化算法优化神经网络的初始权值包括：

采用Softmax分类器、One-hot编码使得适应度函数为最小值时，得到初始权值；

其中，所述适应度函数为神经网络预测值与实际值的残差平方和。

在本申请的第二方面，提供了一种滚动轴承故障诊断装置。该装置包括：

获取模块，用于获取滚动轴承的信号数据；

处理模块，用于将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；

分类模块，用于将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；

其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；

所述故障分类模型通过差分进化算法优化的BP神经网络构建。

在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法。

本申请实施例提供的滚动轴承故障诊断方法，通过获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建，解决了仅运用EEMD、VMD、小波包分解等方式构造特征向量造成信号故障特征提取不充分的问题，实现了对轴承部件故障的精准分类。

应当理解，发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了本申请的实施例提供的方法所涉及的系统架构图；

图2示出了根据本申请的实施例的滚动轴承故障诊断方法的流程图；

图3示出了根据本申请的实施例的轴承故障诊断算法流程图；

图4示出了根据本申请的实施例的遗传算法的流程图；

图5示出了根据本申请的实施例的轴承数据集中的某一条内圈故障振动数据示意图；

图6示出了根据本申请的实施例的图5振动信号进行VMD分解得到的IMF分量示意图；

图7示出了根据本申请的实施例的图6中IMF分量的频谱示意图；

图8示出了根据本申请的实施例的差分进化算法的流程图；

图9示出了根据本申请的实施例的差分进化算法的目标函数优化过程示意图；

图10示出了根据本申请的实施例的BP神经网络算法的目标函数优化过程示意图；

图11示出了根据本申请的实施例的测试集故障诊断结果图；

图12示出了根据本申请的实施例的滚动轴承故障诊断装置的方框图；

图13示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1示出了可以应用本申请的滚动轴承故障诊断方法或滚动轴承故障诊断装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络（通信介质）104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。

服务器105可以对接收到的数据进行分析等预处理，并可以将处理结果（例如分类结果）反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块（例如用来提供分布式服务的多个软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

图1中的终端设备、通信介质和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、通信介质和服务器。特别地，在目标数据不需要从远程获取的情况下，上述系统架构可以不包括通信介质，而只包括终端设备或服务器。

如图2所示，是本申请实施例滚动轴承故障诊断方法的流程图。从图2中可以看出，本实施例的滚动轴承故障诊断方法，包括以下步骤：

S210，获取滚动轴承的信号数据。

在本实施例中，用于基于混合域特征集与DE-BP神经网络的滚动轴承故障诊断方法的执行主体（例如图1所示的服务器）可以通过有线方式或者无线连接的方式获取滚动轴承的信号数据。

进一步地，上述执行主体可以获取与之通信连接的电子设备（例如图1所示的终端设备）发送的滚动轴承的信号数据，也可以是预先存储于本地的滚动轴承的信号数据。

S220，将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量。

其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建。

步骤（1）：采集不同故障类型的试验数据，包括正常状态、内圈故障、外圈故障和/或滚动体故障数据等，构建训练样本集。

选用凯斯西储大学提供的滚动轴承公开数据集对本申请进行详细说明，选用该数据集中采样频率为12 k Hz，电机驱动端4种负载下测试台收集的正常条件振动信号以及故障直径为0.1778 mm情况下的3种故障振动信号，包括外圈故障、内圈故障以及滚动体故障。选用的数据集中包括4个轴承状况，在不同负载下选取160个样本，其中训练样本120个，测试样本40个，每个样本的长度为N= 3000个数据点，数据样本的组成如表1所示。

表1 滚动轴承实验数据集描述

步骤（2）如图3所示，基于遗传算法优化VMD算法的本征模态函数（IMF分量）个数K和惩罚因子，得到VMD算法的IMF分量个数和惩罚因子的最优参数组合。

（2.1）已知原始振动信号、VMD算法的参数K和α时，运用VMD算法求出IMF分量的过程如下：

构建VMD变分模型：

公式（一）

其中，f为输入信号；

为分解得到的K个模态分量；

为各模态分量的频率中心；

进一步地，为了求公式（一）约束变分问题的最优解，引入一个二次惩罚因子和增广Lagrange函数，即：

公式（二）

其中，α为惩罚因子；

λ为Lagrange乘子。

VMD中利用交替方向乘子法求解该问题，通过交替更新

公式（三）

其中，

公式（四）

同样，在频域对中心频率求解，得到

公式（五）

其中，

结合VMD原理，VMD算法是将各模态分量在频域不断更新，再通过傅里叶逆变换到时域，其具体过程如下：

S1:初始化

S2:根据公式（四）和公式（五）更新

S3: 根据公式（六）更新

公式（六）

S4: 判断是否满足收敛条件：公式（七）小于一个常数

公式（七）

（2.2）如图4所示，已知原始振动信号、VMD算法的参数K和

S1:确定要优化的变量为K和

S2:初始化种群，种群中的个体采用二进制编码；

S3:选择VMD算法分解得到的K个IMF分量的包络熵最小值作为遗传算法的适应度函数，计算种群中个体的适应度值，得到初始的最佳个体及适应度值；

包络熵可以对信号的稀疏性进行评判，熵越小代表稀疏性越强，其公式如下：

公式（八）

公式（八）中，

公式（九）

公式（九）中，

公式（十）

公式（十）中，

S4：选择、交叉、变异操作，运用比例选择法进行选择，从旧群体中按照一定概率选择优秀个体组成新的种群，以繁殖得到下一代个体。选择操作时，个体适应度越高，被选中的概率越大。交叉操作是通过确定的交换概率从种群中选择两个随机的个体，通过两个染色体的交换组合，把父代的优秀基因遗传给子代，从而产生新的优秀个体。变异操作从种群中随机选取一个个体，按照设定的变异概率，选择个体中的一点进行变异以产生更优秀的个体；

S5：经过选择、交叉、变异得到新种群，计算新种群的个体适应度值；

S6：若达到最大迭代次数，输出最优结果，包括最优的变量值及适应度函数值。若未达到最大迭代次数，则重复执行步骤S4-S5。

（2.3）以故障直径为0.1778 mm情况下的某一条内圈故障振动信号为例进行说明，振动信号参见图5，根据实施步骤（2）中的（2.1）VMD算法对振动信号进行分解，根据实施步骤（2）中的（2.2）遗传算法得出VMD算法最优的分解个数和惩罚因子组合

步骤（3）利用改进参数后的VMD算法将不同状态的振动信号分解成若干含故障信息的IMF分量，并求出前m个IMF分量的样本熵；

选取步骤（2）中（2.3）遗传算法得到的最优参数组合

S1:由原始信号构建

公式（十一）

S2:定义向量

公式（十二）

S3:对于给定的

公式（十三）

S4:定义

公式（十四）

公式（十四）中，

S5:增加维数到

公式（十五）

S6:定义

公式（十六）

公式（十六）中，

S7:按下式求出样本熵

公式（十七）

步骤（4）求出原始振动信号的时域和频域指标：峭度、均方根、频率标准差、平均频率，进行归一化处理，并将归一化处理后的时域、频域指标与

原始振动信号的时域均方根、峭度、频率标准差、平均频率的求解公式如下：

峭度：

公式（十八）中，

均方根：

频率标准差：

公式（二十）中，

平均频率：

得到滚动轴承不同状态下（正常、内圈故障、滚动体故障、外圈故障）的原始振动数据后，求取数据集中每一条振动数据的峭度、时域均方根、频率标准差、平均频率，归一化方法如下：

以时域均方根指标为例进行说明，假设训练集中

公式（二十二）

公式（二十二）中，

（4.1）运用步骤（2）、（3）、（4）中的方法，得到部分训练样本的特征向量，如表2所示。

表2 轴承 4 种工况的部分特征向量

/>

S230，将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别。

在一些实施例中步骤（5），根据混合特征向量中元素个数、轴承故障类别数、利用经验公式得出BP神经网络的输入层、隐层、输出层节点数；

BP神经网络的隐层节点数的经验公式如下：

公式（二十三）

公式（二十三）中，

步骤（6），采用差分进化算法优化BP神经网络的网络权值，算法步骤如下：

S1:根据步骤（5）中公式，确定BP神经网络的输入层、隐层、输出层的节点数；

S2:得到每个训练样本的特征向量（即BP神经网络的输入），为每个样本数据确定标签（即所属类别，包括正常、内圈故障、滚动体故障、外圈故障），采用One-hot编码，输出层采用Softmax分类器；

S3:生成初始种群，在

公式（二十四）

公式（二十四）中，

S4:变异操作，从种群中随机选择3个个体

公式（二十五）

公式（二十五）中，

S5:交叉操作，进行交叉操作是为了增加种群的多样性，具体操作为：

公式（二十六）

公式（二十六）中，

S6:选择操作，为了确定

公式（二十七）

公式（二十七）中，选取神经网络输出值与实际值之间的均方误差作为评价函数。

公式（二十八）

公式（二十八）中，

S7:反复执行步骤S4至步骤S6，直到达到最大迭代次数。

优选地，变异因子

步骤（7），将差分进化算法迭代若干次后得到的BP神经网络权值作为BP神经网络训练的初始权值，运用BP神经网络算法更新神经网络权值参数，得到训练好的模型，实现滚动轴承故障的精确诊断。

在一些实施例中，BP神经网络算法步骤如下：

S1:初始化网络，将步骤（6）中差分进化算法优化得到的BP神经网络权值赋给网络的连接权重

S2:前向传播，计算网络的输出，隐含层神经元的输入为输入特征向量中元素的加权之和，设输入层输入向量为

公式（二十九）

公式（二十九）中，

第

公式（三十）

则

公式（三十一）/>

输出层第

公式（三十二）

公式（三十二）中，

输出层采用Softmax分类器，输出层第

公式（三十三）

公式（三十三）中，

神经网络输出层第

公式（三十四）

第

公式（三十五）

S3:反向传播：通过计算网络输出和理想输出的误差值，调整各层间的连接权值。隐层与输出层连接权值

公式（三十六）

公式（三十六）中，

t+1时刻网络权值为

公式（三十七）

输入层与隐层的连接权值

公式（三十八）

t

公式（三十九）

S4：根据N个样本数据，进行网络权值更新，并判断是否达到最大迭代次数或者预设的收敛精度，指标函数为均方误差的均值。

公式（四十）

优选地，选取学习因子

本申请实施例的测试集样本数为160，正常、内圈故障、滚动体故障、外圈故障各40个，运用本申请的方法诊断正确率为98.75%。相比于本申请的方法，仅运用IMF分量的样本熵作为特征向量，并且运用传统BP神经网络的方法进行网络权值更新时，诊断正确率为84.37%；仅运用IMF分量的样本熵作为特征向量，运用差分进化算法优化BP神经网络算法的初始权值时，诊断正确率为90.63%；运用IMF分量的样本熵和归一化处理后的峭度、时域均方根、频率标准差、平均频率作为特征向量，运用传统BP神经网络算法更新网络权值时，诊断正确率为94.38%。

通过实验数据验证及对比表明，本申请的方法能够有效地提取滚动轴承不同故障的特征，且能克服传统BP神经网络算法易陷入局部最优解的缺点，能够显著提高滚动轴承故障分类的准确率。

根据本公开的实施例，实现了以下技术效果：

解决了仅运用EEMD、VMD、小波包分解等方式构造特征向量造成信号故障特征提取不充分的问题，实现了对轴承部件故障的精准分类。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。

图12示出了根据本申请的实施例的滚动轴承故障诊断装置1200的方框图，装置1200包括：

获取模块1210，用于获取滚动轴承的信号数据；

处理模块1220，用于将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；

分类模块1230，用于将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；

其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；

所述故障分类模型通过差分进化算法优化的BP神经网络构建。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图13示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。

如图13所示，终端设备或服务器包括中央处理单元(CPU)1301，其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中，还存储有系统操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

以下部件连接至I/O接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。

特别地，根据本申请的实施例，上文方法流程步骤可以被实现为计算机软件。例如，本申请的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式的计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。