本發(fā)明涉及軸承診斷，尤其是涉及一種隧道掘進機主軸承故障模擬試驗臺及故障診斷方法。

背景技術(shù)：

1、目前針對軸承的故障試驗大多是針對小型高速軸承，極少有針對盾構(gòu)機主軸承這種大型低速軸承的故障試驗臺。針對小型高速軸承的試驗中，對于故障的模擬都是直接更換整個外圈，并對多個外圈植入不同類型的故障。然而對于大尺寸軸承，考慮到其制作難度以及成本巨大，如果要模擬多種故障，就需要制作與故障類型數(shù)量對應的外圈，實現(xiàn)難度較大。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種隧道掘進機主軸承故障模擬試驗臺及故障診斷方法，用以解決目現(xiàn)有的故障試驗臺難以模擬大尺寸軸承多種故障的問題。

2、本發(fā)明提供一種隧道掘進機主軸承故障模擬試驗臺，包括機架以及轉(zhuǎn)動設置在所述機架上的主軸承，所述主軸承的前端和后端分別設有第一外圈和第二外圈，所述第二外圈上朝向主推滾子的一側(cè)設有卡槽，所述卡槽內(nèi)卡有故障模擬板，所述故障模擬板與第二外圈為過盈配合，所述第二外圈的外側(cè)在故障模擬板對應的位置上安裝有故障檢測模塊；所述故障模擬板的后端設有螺孔，螺栓穿過第二外圈伸入螺孔內(nèi)用以將故障模擬板拽在卡槽內(nèi)；所述機架上設有加載裝置和油液循環(huán)裝置，所述油液循環(huán)裝置用于給主軸承提供潤滑液，所述加載裝置用于驅(qū)動主軸承旋轉(zhuǎn)以及給主軸承提供軸向推力。

3、優(yōu)選的，所述第二外圈和第一外圈通過螺栓固定。

4、優(yōu)選的，所述故障模擬板和卡槽的槽底之間設有缺口。

5、優(yōu)選的，所述故障模擬板為三個，三個所述故障模擬板分布在第二外圈上的三點鐘、六點鐘和九點鐘處。

6、優(yōu)選的，所述加載裝置包括：伺服電機、傳動軸、齒輪和內(nèi)齒圈，所述內(nèi)齒圈固定在主軸承的內(nèi)側(cè)，所述齒輪與內(nèi)齒圈相嚙合，所述齒輪固定在傳動軸上，所述傳動軸與伺服電機的輸出軸固定連接。

7、本發(fā)明還提供了一種隧道掘進機主軸承的故障診斷方法，包括上述所述的隧道掘進機主軸承故障模擬試驗臺，還包括如下步驟：

8、s1：由故障檢測模塊獲得主軸承的振動數(shù)據(jù)xn(t)，每個故障檢測模塊提供一個通道的振動數(shù)據(jù)xn(t)，然后根據(jù)故障特征頻率調(diào)整數(shù)據(jù)預處理過程中的數(shù)據(jù)段長度，隨后對各通道數(shù)據(jù)進行歸一化處理得到數(shù)據(jù)j；其中，xn(t)表示第n個通道在時刻t的振動數(shù)據(jù)；

9、s2：采用空洞寬核卷積對數(shù)據(jù)j進行初步處理得到數(shù)據(jù)y，對數(shù)據(jù)y進行批歸一化處理得到數(shù)據(jù)g，然后對數(shù)據(jù)g引入非線性成分并進行極大池化得到通道的通道特征un；

10、s3：將通道特征un進行逐元素相加得到特征向量u，然后特征向u經(jīng)過全舉報平均池化層(gap)、全連接層(fc)、bn和relu激活函數(shù)計算得到特征z，最后將特征z分別輸入全連接層中得到各個通道的注意力權(quán)重wj，各個通道的注意力權(quán)重之和為1，即

11、s4：將計算得到的注意力權(quán)重wj賦給特征向量s得到加權(quán)后的特征向量v，再將加權(quán)后的特征向量v融合，最后將融合后的特征輸入最終全連接實現(xiàn)對故障類型的映射過程。特征向量v由下式(3)計算得到：

12、

13、其中,wj為第j個通道的注意力權(quán)值，特征向量s為數(shù)據(jù)y輸入一系列的卷積層后得到的特征值，sj為第j個通道的特征值。

14、優(yōu)選的，步驟s1具體包括如下步驟：

15、s11，基于先驗知識，求解出對應區(qū)域的故障特征頻率，結(jié)合采樣頻率fs，通過下式(4)計算出所需要的數(shù)據(jù)段長度l：

16、

17、其中，f為故障特征頻率，fs為采樣頻率，n為數(shù)據(jù)段內(nèi)周期數(shù)量，n的范圍為5～10；

18、根據(jù)下表(1)計算故障特征頻率f：

19、表1各個位置處的故障特征頻率計算公式

20、

21、其中，dm為主推滾道滾子節(jié)圓直徑，da為輔推滾道滾子節(jié)圓直徑，dr則為徑向滾道滾子節(jié)圓直徑，dm為主推滾子直徑，da為輔推滾子直徑，dr為徑向滾子直徑，fr為內(nèi)圈轉(zhuǎn)動頻率，nm為主推滾子對數(shù)量，na為輔推滾子數(shù)量，nr為徑向滾子數(shù)量；

22、s12，結(jié)合滑動窗的方法按照上述所求樣本長度l對時域數(shù)據(jù)進行切分：

23、

24、其中，l為數(shù)據(jù)的總長度，l為數(shù)據(jù)段的長度，stride為步長，num表示分割后的數(shù)據(jù)段數(shù)；

25、s13，隨后通過公式(6)對各通道數(shù)據(jù)進行歸一化處理：

26、

27、其中表示第n個通道數(shù)據(jù)中的第k個數(shù)據(jù)段，即為數(shù)據(jù)j，表示第n個通道的第k個數(shù)據(jù)段，其中k∈[0,num]，表示對應數(shù)據(jù)段中的最大值，表示對應數(shù)據(jù)段中的最小值。

28、優(yōu)選的，步驟s2具體包括如下步驟：

29、s21，首先采用空洞寬核卷積對數(shù)據(jù)j進行初步處理，空洞寬核卷積的計算公式(7)如下所示：

30、

31、其中yn[i]是在位置i的輸出，即為數(shù)據(jù)y；w[m]是卷積核中的權(quán)重，對應于核的位置m；l是空洞率(dilation?rate)，它決定了卷積核元素之間的間隔；m是卷積核的一半大小，為數(shù)據(jù)j，是對應數(shù)據(jù)段的第[i+l·m]個數(shù)據(jù)點；

32、s22，對輸出結(jié)果yn[i]進行批歸一化處理，其公式如下所示：

33、計算整個批次的均值μn：

34、計算整個批次的方差

35、規(guī)范化：

36、縮放和位移(重新參數(shù)化)：

37、其中，∈是一個很小的數(shù)，防止分母為零；γ和β是可學習的參數(shù)，允許網(wǎng)絡學習恢復任何可能有用的特征分布；xn[i]表示第n個通道的數(shù)據(jù)點，表示規(guī)范化之后的數(shù)據(jù)點，yn[i]表示數(shù)據(jù)經(jīng)批量歸一化之后的輸出,即為數(shù)據(jù)g；

38、s23，通過公式(8)對數(shù)據(jù)引入非線性成分并進行極大池化：

39、un＝maxpool(relu(x))?(8)

40、其中，un則為第n個通道提取得到的特征值,relu(x)表示對數(shù)據(jù)g進行relu函數(shù)處理。

41、優(yōu)選的，步驟s3具體包括如下步驟：

42、s31，通過公式(9)將各通道得到的特征值進行逐元素相加：

43、u＝u1+u2+u3?(9)

44、其中，特征向量u融合了多個通道的信息；

45、s32，u經(jīng)過全舉報平均池化層(gap)、全連接層(fc)、bn和relu激活函數(shù)計算得到特征z，z的數(shù)學模型可進一步表述為：

46、z＝δ(ψ(ugap))?(10)

47、其中，ugap表示u經(jīng)全局池化后的結(jié)果，ψ表示bn批歸一化過程，δ則表示激活函數(shù)relu；

48、隨后輸入到全連接層中，進一步壓縮特征維度：

49、z＝dense(c/r,c)?(11)

50、其中dense表示全連接過程，r為特征壓縮率，c為輸入特征的特征數(shù)，c通常取r＝0.5；

51、s33，將被壓縮的特征z再次輸入到三組全連接層，生成三組注意力權(quán)重，隨后再經(jīng)過softmax將權(quán)重歸一化，具體過程如下：

52、

53、其中，as、bs、cs為特征矩陣的第s行，經(jīng)過該部分所生成的as、bs、cs則為所求的三個通道的注意力權(quán)重，公式(12)、(13)和(14)滿足以下關系：as+bs+cs＝1。

54、優(yōu)選的，步驟s4具體包括如下步驟：

55、s41，通過將步驟二中空洞寬核卷積所得的特征yn[i]輸入一系列的卷積層，以進一步提取深層特征：

56、si＝convs(16,128)??(15)

57、其中，由空洞寬核卷積所得的特征通道數(shù)為16，經(jīng)過系列卷積之后，通道數(shù)變?yōu)?28，si為特征向量s；

58、s42，將步驟s41卷積所得特征向量si與步驟s3所得到的注意力權(quán)重相乘，得到加權(quán)后的特征向量v：v＝as·s1+bs·s2+cs·s3。

59、與現(xiàn)有技術(shù)相比，本發(fā)明通過設置可拆卸連接的故障模擬板和第二外圈，能夠極大程度上降低故障植入的難度，利于降低制作成本，同時也使得模擬試驗臺對于故障的形式、程度、數(shù)量能夠更加靈活地控制。另一方面，本發(fā)明首先將三個通道的數(shù)據(jù)相加融合，再通過與通道數(shù)對應的全連接層生成3個注意力權(quán)重，通過全連接層在訓練過程中對與故障相關性小的通道進行減益，使故障診斷方法更注重與故障相關性大的通道，緩解了多通道故障診斷過程中的信息冗余導致的過擬合風險。