CN115130499B 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法 （南京航空航天大学）

基于振动信号的变工况下轴承保持架打滑本发明公开了一种基于振动信号的变工况离线训练阶段和在线评估阶段；在离线训练阶离线训练数据集，并利用自适应VMD对获取的离接着基于RF-LSTM对获取的处理后的数据集进行集两部分；最后构建基于卷积神经网络-改进训练集和测试集对诊断模型进行训练和精度验断模型测量打滑率；通过设计基于高效算子的LSTM-GRU打滑率在线预测模型对轴承打滑趋势21.一种基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法，其特征在步骤S1、离线训练阶段，同时采集轴承振动信号和步骤S3、基于随机森林RF-长短期记忆网络LSTM对步骤S2获取的处理后的数据集进行步骤S4、构建基于卷积神经网络-改进基于密度的含噪应用空间聚类DBSCAN算法的打步骤S5、在线评估阶段，通过实时采集轴承振动信号并利步骤S6、设计基于高效算子的LSTM-门控循环单元GRU步骤S7、设置打滑率预警值，当步骤S6中获取的轴承所述步骤S2中降噪处理及剔除样本异常值具体步步骤S2.2、基于步骤S2.1获取的分量分别计算高低基于步骤S2中降噪处理后的离线训练数据集，分别获取时域特时域相对相似性特征通过计算不同时刻的时3分别通过式(3)计算监测振动信号与参考振动信号的时域特征序列、频域特征序列相针对轴承变工况振动信号特征选择，设计相关性评价准则和重要将轴承振动信号样本数据输入到RF模型中进行交叉验证训练，记录根据式(6)对步骤S3.1提取的候选特征集进行逐一评价，筛选对机械装备退化敏感的所述步骤S4中构建基于卷积神经网络-改进DBSCAN算法的打滑率无监督诊断模型的方利用改进的DBSCAN算法将获取的轴承振动信号、保持架打滑率和虚拟打滑指标LSTM-4卷积神经网络-改进DBSCAN算法的打滑率无监督诊断模型中进行打滑率对于步骤S2中获取的离线轴承振动数据和保持架打滑率数据构成的数据集计cρi为S中与γi之间的距离小于dc的数据点个数；选择局部密度和距离同时高于其余点的点作为聚类中心，将剩余点归分别利用传统的邓恩指数DVI，戴维森堡丁指数DBI、互信息MI、纯度Purity以及F值2.根据权利要求1所述的一种基于振动信号的变工况下轴承保持架打滑率在线测量及利用转速传感器测量轴承内圈转速ωi；同时利用振动加速度传感器测量轴承时域振动信5Rm为轴承节圆半径。3.根据权利要求1所述的一种基于振动信号的变工况下轴承保持架打滑率在线测量预tR;和b;分别代表重置门tttfiofi67基于振动信号的变工况下轴承保持架打滑率[0002]轴承保持架打滑一直是制约轴承性能提高的重要因素，在航空航天领域尤为明在线监测预测打滑率的方法对解决轴承打滑问不断增大和轴承运行工况的复杂化，人工添加数据标签存在容易出错且效率低下的问题。变工况下轴承保持架打滑率在线测量及预测方法，旨在提高传统测量算法科学性和有效[0009]步骤S2、利用自适应变分模态分解对步骤S1获取的离线训练数据集进行降噪处8Rm为轴承节圆半径。9[0036]分别通过式(3)计算监测振动信号与参考振动信号的时域特征序列、频域特征序[0050]根据式(6)对步骤S3.1提取的候选特[0051]进一步地，所述步骤S4中构建基于卷积神经网络-改进DBSCAN算法的打滑率无监[0052]利用改进的DBSCAN算法将获取的轴承振动信号、保持架打滑率和虚拟打滑指标基于卷积神经网络-改进DBSCAN算法的打滑率无监督诊断模型中进行打滑[0055]对于步骤S2中获取的离线轴承振动数据和保持架打滑率数据构成的数据集计算数据点的局部密度如下：它类簇的点的距离小于dc的点的集合，然后为每个类簇找到其边界区域中密度最高的点，[0065]进一步地，所述步骤S6中基于高效算子的LSTM-GRU打滑率在线预测模型具体如tttfi和bf分别代表Ro和bo分别代表输出门权重矩阵和偏置项；[0090](2)基于RF-LSTM构建打滑指标LSTM-HI，实现了以人工设计特征到以数据为中心[0092](4)设计基于高效算子的LSTM-GRU的打滑率在线预测模型，利用加法运算和符号[0098]图6为本发明提供的基于卷积神经网络-改进DBSCAN的打滑率无监督诊断算法流[0104]本发明提供的基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法[0106]本实施例中，在轴承试验平台上使用振动加速度传感器对轴承振动信号进行测动信号所对应的振动信号和保持架转速如图2所示，由于数据量较大，所以选择200s——500s段的数据进行实验，该段数据所对应的转速和打滑率变化如图3所示，从图中可以看Rm为轴承节圆半径。[0115]步骤S2、利用自适应变分模态分解对步骤S1获取的离线训练数据集进行降噪处有该误差的数据应予以剔除。3σ准则认为数值分布在(μ-σ,μ+σ)中的概率为68.27数值分布在(μ-2σ,μ+2σ)中的概率为95.45数值分布在(μ-3σ,μ+3σ)中的概率为特征集分为训练集和测试集两部分。具体如图5所示，将原始振动信号按照固定时间窗分[0129]分别通过式(3)计算监测振动信号与参考振动信号的时域特征序列、频域特征序[0143]根据式(6)对步骤S3.1提取的候选特轴承振动信号输入基于卷积神经网络-改进DBSCAN算法的打滑率无监督诊断模型中进行打[0148]对于步骤S2中获取的离线轴承振动数据和保持架打滑率数据构成的数据集计算数据点的局部密度如下：ttc,=i⃞+f;c-(18)tfia:aofiRo和bo分别代表输出门权重矩阵和偏置项；[0182]本实施例中，设置打滑率预警值为2当在线预测到轴承打