一种基于声音与振动信号的轴承故障诊断方法和系统

本发明涉及轴承故障诊断，尤其涉及一种基于声音与振动信号的轴承故障诊断方法和系统。

背景技术：

1、轴承的故障诊断对于机械设备的可靠性、安全性和效率至关重要，是维护管理的重要组成部分，对于提高设备的可靠性、安全性和效率具有重要意义。

2、然而，就目前的常见的轴承故障诊断方法有以下几种：

3、一是振动分析。振动是轴承故障的常见指标之一，振动分析可以检测到轴承内部的问题，并且非常灵敏。可以通过实时监测来提前发现故障。但需要专门的仪器和专业知识来进行分析和解释，对于小型故障或者高速运转的机器，可能不够敏感。

4、二是声音分析。通过检测轴承发出的声音来判断其状态，可以在早期发现问题。但可能受到环境噪音的干扰，而且对于某些故障类型存在不够敏感的问题。

5、三是机器学习方法。通过提取相关特征进行机器学习算法对轴承故障进行分类和预测，可以有效处理大规模数据和复杂特征。需要大量的标记数据进行训练，模型的泛化能力可能受到限制。

6、综上所述，当前现有技术虽都在轴承故障诊断中获得应用，但仍存在敏感度不足，泛化能力受限的问题。

技术实现思路

1、有鉴于此，本发明实施例提出一种基于声音与振动信号的轴承故障诊断方法和系统，可以充分捕捉轴承的声音与振动信号，自动进行特征提取，进而精准研判轴承故障，准确度高，具有很强的应用前景。

2、本发明的一实施例提出一种基于声音与振动信号的轴承故障诊断方法，包括：

3、采集电机轴承的声音信号和振动信号，对所述声音信号和振动信号进行预处理，并对处理后的声音信号和振动信号进行特征提取；

4、构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数，将轴承的声音信号和振动信号输入至所述轴承故障诊断模型得到故障识别结果。

5、进一步地，所述对所述声音信号和振动信号进行预处理，并对处理后的声音信号和振动信号进行特征提取包括：

6、利用小波变换对所述声音信号进行降噪处理，并对声音信号进行时域多维特征提取；

7、利用emd算法对所述振动信号进行降噪处理，并采用glcm算法提取轴承的振动信号特征。

8、进一步地，所述利用小波变换对所述声音信号进行降噪处理，并对声音信号进行时域多维特征提取包括：

9、利用小波变换技术对含有噪声干扰的原始声音信号进行处理，得到多个子波对应的小波系数，通过对所述小波系数进行阈值处理，并进行小波逆变换得到去除多余噪声的声音信号；

10、对去除多余噪声的声音信号进行分帧处理，平均分配数据样本；

11、按照滑窗取样的方式构建振动数据样本集，并对每段数据样本进行时域多维特征提取，提取的参数包括均值、标准差、方差、最值和均方根值。

12、进一步地，所述利用emd算法对所述振动信号进行降噪处理，并采用glcm算法提取轴承的振动信号特征包括：

13、对原始振动信号进行emd分解得到多个固有模态函数分量；

14、利用所述原始振动信号和所述固有模态函数分量计算第一相关性系数和第二相关性系数；

15、利用所述第一相关性系数和第二相关性系数计算相关联合系数，所述相关联合系数为所述第一相关性系数与第二相关性系数之差；

16、根据所述相关联合系数计算相关系数因子，所述相关系数因子有多个；

17、对相关系数因子从大至小进行排序，按照预设提取个数从大至小依次进行固有模态函数分量提取得到特征分量，并将未提取的固有模态函数分量作为干扰噪声；

18、对降噪后的振动信号进行极坐标系处理，并转化为灰度图像，利用灰度图像得到振动信号特征量。

19、进一步地，所述构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数包括：

20、构建径向基函数神经网络模型，利用反向传播算法进行参数训练，直至设定的输出误差大于输出层的训练误差，模型输入层神经元个数设为15个，输出层个数为3个。

21、进一步地，所述构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数还包括：

22、构建bp神经网络模型，利用反向传播算法进行参数训练，直至设定的输出误差大于输出层的训练误差，模型输入层的节点数为6，输出层的节点数为1。

23、进一步地，所述对降噪后的振动信号进行极坐标系处理，并转化为灰度图像，利用灰度图像得到振动信号特征量包括：

24、将振动信号的幅值转化成为极坐标体系下的极径，将相邻的点转化为极角，并得到极坐标系下的雪花状镜面对称图形；

25、将所述雪花状镜面对称图形转化为灰度图像，并提取灰度纹理特征以表征所述振动信号特征量。

26、进一步地，所述灰度纹理特征包括最大概率、熵、对比度、能量、相关性和逆差距，所述提取灰度纹理特征以表征所述振动信号特征量包括：

27、利用灰度共生矩阵算法计算各灰度图像6个特征量的特征参数，根据所述特征参数构建灰度共生矩阵。

28、本发明的另一实施例提出一种基于声音与振动信号的轴承故障诊断系统，包括：

29、采集单元，用于采集电机轴承的声音信号和振动信号，对所述声音信号和振动信号进行预处理，并对处理后的声音信号和振动信号进行特征提取；

30、诊断单元，用于构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数，将轴承的声音信号和振动信号输入至所述轴承故障诊断模型得到故障识别结果。

31、本发明提供了一种基于声音与振动信号的轴承故障诊断方法，包括：采集电机轴承的声音信号和振动信号，对声音信号和振动信号进行预处理，并对处理后的声音信号和振动信号进行特征提取；构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数，将轴承的声音信号和振动信号输入至轴承故障诊断模型得到故障识别结果。相对于现有技术而言，本发明的技术方案可以充分捕捉轴承的声音与振动信号，自动进行特征提取，进而精准研判轴承故障，准确度高，具有很强的应用前景。

技术特征：

1.一种基于声音与振动信号的轴承故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述对所述声音信号和振动信号进行预处理，并对处理后的声音信号和振动信号进行特征提取包括：

3.根据权利要求2所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述利用小波变换对所述声音信号进行降噪处理，并对声音信号进行时域多维特征提取包括：

4.根据权利要求2所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述利用emd算法对所述振动信号进行降噪处理，并采用glcm算法提取轴承的振动信号特征包括：

5.根据权利要求4所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数包括：

6.根据权利要求4所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数还包括：

7.根据权利要求4所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述对降噪后的振动信号进行极坐标系处理，并转化为灰度图像，利用灰度图像得到振动信号特征量包括：

8.根据权利要求7所述的一种基于声音与振动信号的轴承故障诊断方法，其特征在于，所述灰度纹理特征包括最大概率、熵、对比度、能量、相关性和逆差距，所述提取灰度纹理特征以表征所述振动信号特征量包括：

9.一种基于声音与振动信号的轴承故障诊断系统，其特征在于，包括：

技术总结本发明提供了一种基于声音与振动信号的轴承故障诊断方法，包括：采集电机轴承的声音信号和振动信号，对声音信号和振动信号进行预处理，并对处理后的声音信号和振动信号进行特征提取；构建基于多维信号的轴承故障诊断模型，对模型进行测试训练得到最优参数，将轴承的声音信号和振动信号输入至轴承故障诊断模型得到故障识别结果。相对于现有技术而言，本发明的技术方案可以充分捕捉轴承的声音与振动信号，自动进行特征提取，进而精准研判轴承故障，准确度高，具有很强的应用前景。技术研发人员：魏杰,焦斌受保护的技术使用者：上海电机学院技术研发日：技术公布日：2024/9/29