[發明專利]基于振譜圖和深度卷積神經網絡的軸承故障診斷方法

在審

• 申請號: 201811567134.6
• 申請日: 2018-12-20
• 公開（公告）號: CN109612728A
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 黃之文;朱堅民;高統林;魏周祥;陳琳;石園園;孟聰;黃揚輝
• 申請（專利權）人: 上海理工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06N3/04;G06N3/08
• 代理公司: 上海邦德專利代理事務所(普通合伙) 31312
• 代理人: 余昌昊

本發明提出了一種基于振譜圖和深度卷積神經網絡的軸承故障診斷方法，包括構建振動信號的振譜圖和對應的故障標簽、構建深度卷積神經網絡、訓練深度卷積神經網絡以獲取深度卷積神經網絡模型及將振譜圖輸入深度卷積神經網絡模型以軸承故障診斷識別結果。本發明針對滾動軸承故障特征難以準確表征的問題，基于軸承振動信號具有短時平穩性的特點，提出構建表征軸承故障的振動信號振譜圖和用于滾動軸承故障診斷的深度卷積神經網絡，采用已知振動信號振譜圖及其對應的故障標簽對網絡進行訓練得到深度卷積神經網絡模型，對待識別振動信號構建振譜圖，輸入深度卷積神經網絡模型，得到軸承故障診斷結果。該發明提高了軸承故障識別準確率。

技術領域

本發明屬于滾動軸承故障診斷的技術領域，尤其涉及一種基于振譜圖和深度卷積神經網絡的軸承故障診斷方法。

背景技術

滾動軸承在機械設備中使用廣泛，其工作狀態直接影響整個設備的運行品質。近年來，國內外因軸承故障而引起的機械設備重大事故屢有發生。因此，對滾動軸承進行狀態監測與故障診斷能夠避免重大事故的發生，獲得重大的社會經濟效益。

軸承故障診斷一般包括數據采集、預處理、特征提取、故障建模四個步驟，其中故障的表征及建模對故障診斷的正確性有著關鍵影響。目前，采集軸承的振動信號是監測軸承運行狀態的主要方式之一，從振動信號中提取表征軸承故障特征的方法主要有奇異值分解、多尺度模糊熵分析、經驗模態分解、高階統計矩陣奇異值譜提取、層次模糊熵分析等，這些方法所提取的特征一般僅能部分地表征軸承故障信息。在軸承故障建模方面，基于傳統機器學習的支持向量機、K最近鄰分類、人工神經網絡、隱馬爾可夫模型等方法基于一個或綜合多個故障特征進行故障識別，由于故障表征信息的不完備性，故障診斷的正確率有待提高。

發明內容

本發明的目的在于提供一種基于振譜圖和深度卷積神經網絡的軸承故障診斷方法，基于已知故障模式的軸承振動信號振譜圖、其對應的故障標簽和滾動軸承故障診斷的深度卷積神經網絡以獲取軸承故障診斷結果，提高了軸承故障識別的準確率。為實現上述目的，本發明所采用的技術方案為：

一種基于振譜圖和深度卷積神經網絡的軸承故障診斷方法，包括以下步驟：

S1：構建振動信號的振譜圖和對應的故障標簽；

S2：構建深度卷積神經網絡；

S3：訓練深度卷積神經網絡以獲取深度卷積神經網絡模型；

S4：將振譜圖輸入深度卷積神經網絡模型以軸承故障診斷識別結果。

優選地，步驟S1具體為：

S11：分幀，對采樣點數記為N的一段軸承振動信號分幀得到各幀信號，h為幀序號；

S12：加窗，對各幀信號添加漢明窗，窗長與幀長一致；

S13：離散傅里葉變換，對加窗幀進行離散傅里葉變換得到每幀信號的頻譜；

S14：譜線編碼，計算每幀信號的頻譜能量密度值并將其映射到像素點顏色范圍內以確定振譜圖不同頻率點的顏色；

S15：譜線重組，對所有振動信號幀的H條譜線按幀序號排列重組，得到振動信號的初始振譜圖；

S16：根據初始振譜圖制備對應的故障標簽；

S17：尺度變換，對初始振譜圖進行尺度變換，得到用于網絡訓練及診斷的振譜圖。

優選地，步驟S12中，。

優選地，在步驟S12中，。

優選地，步驟S14中，所述像素點顏色范圍為0～255。

優選地，步驟S17中獲取的振譜圖像素尺寸要求為227*227。