[發明專利]一種基于深度學習的滾動軸承微弱故障智能診斷方法

在審

• 申請號: 202011032252.4
• 申請日: 2020-09-27
• 公開（公告）號: CN112132069A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 丁克勤;張繼旺
• 申請（專利權）人: 中國特種設備檢測研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G01M13/045
• 代理公司: 北京惟盛達知識產權代理事務所(普通合伙) 11855
• 代理人: 楊青

1.一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于，包括如下步驟：

S1.采集滾動軸承在已知的不同故障模式下的微弱故障信號；

S2.分別對步驟S1中所采集的不同故障模式下的微弱故障信號進行高通濾波處理，剔除低頻信號，分別得到不同故障模式下的高通濾波信號；

S3.分別提取步驟S2中得到的不同故障模式下的高通濾波信號的峰值點，采用三次樣條插值法分別對峰值點進行峰值包絡處理，分別得到不同故障模式下的峰值檢波信號；

S4.分別對步驟S3中得到的不同故障模式下的峰值檢波信號進行快速傅里葉變換，分別得到不同故障模式下的峰值能量譜信號；

S5.將步驟S4中得到的所有故障模式下的峰值能量譜信號依次輸入到一維卷積神經網絡中，對構建的卷積神經網絡進行模型訓練，得到智能診斷模型；

S6.采集滾動軸承在未知故障模式下的微弱故障信號，并將滾動軸承在未知故障模式下所采集的微弱故障信號依次進行步驟S2至S4的處理，再將處理后得到的峰值能量譜信號輸入到步驟S5中的智能診斷模型，對未知故障模式進行診斷。

2.根據權利要求1所述的一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于：所述步驟S1中采集滾動軸承在已知故障模式下的微弱故障信號時，需要保證所采集的數據包含滾動軸承旋轉15轉以上的數據，采集頻率為10kHz以上。

3.根據權利要求1所述的一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于：所述步驟S2中高通濾波處理的過程包括對微弱故障信號進行變分模態分解，得到多個子模態信號的帶寬和中心頻率；以及剔除中心頻率在2kHz以下的子模態信號。

4.根據權利要求3所述的一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于：所述變分模態分解的過程包括

a.將微弱故障信號分解為若干個子模態信號；

b.通過迭代搜尋計算步驟a中每個子模態信號的帶寬和中心頻率。

5.根據權利要求1所述的一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于：所述快速傅里葉變換計算公式為式中，k＝0,1,...,N-1；x(n)表示時域波形，X(k)表示頻域波形，N表示時域波形的點數，j表示虛數單位。

6.根據權利要求1所述的一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于：所述步驟S5中一維卷積神經網絡包括輸入層、卷積層、池化層、全連接層和輸出層；所述步驟S5中模型訓練的過程包括，將步驟S4中峰值能量譜信號作為輸入層，通過卷積層對輸入的信息進行卷積運算，再利用池化層對卷積運算后的信息進行降維，重復卷積運算和降維過程直到輸出合適的結果，將最后一層池化層的輸出按照順序依次連接形成一個一維向量，通過所述一維向量的不同表達方式表示不同的故障模式。

7.根據權利要求1所述的一種基于深度學習的滾動軸承微弱故障智能診斷方法，其特征在于：所述已知故障模式包括滾動軸承內圈磨損、滾動軸承外圈磨損、滾動軸承保持架磨損。