[發(fā)明專利]基于遷移學習振動信號圖像識別的軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202011086477.8
• 申請日: 2020-10-12
• 公開（公告）號: CN112146882B
• 公開（公告）日: 2022-08-30
• 發(fā)明（設計）人: 余刃;謝旭陽;彭俏;王天舒
• 申請（專利權）人: 中國人民解放軍海軍工程大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 黃行軍

本發(fā)明涉及基于遷移學習振動信號圖像識別的軸承故障診斷方法，包含步驟：首先采集軸承振動信號；對軸承振動信號進行預處理得到軸承振動信號圖像數據；將多個軸承振動信號圖像數據及其對應的軸承狀態(tài)以集合的形式保存，得到軸承振動信號圖像樣本數據集；利用軸承振動信號圖像樣本數據集，采用BP算法對InceptionvV3模型的全連接層的輸出神經元的參數和InceptionvV3模型的softmax層的輸出神經元的參數進行訓練更新，得到適用于軸承故障診斷的InceptionV3模型；利用適用于軸承故障診斷的InceptionV3模型對軸承進行故障診斷。本發(fā)明無需大量次數訓練，即可達到較高的準確率；單次訓練計算的時間需求大幅降低，進一步則降低了計算耗時。

技術領域

本發(fā)明涉及軸承狀態(tài)監(jiān)測和故障診斷技術領域，具體地涉及基于遷移學習振動信號圖像識別的軸承故障診斷方法。

背景技術

在各種旋轉機械設備中，如電動泵中，軸承往往是其中的一個關鍵部件，也是容易出故障的部件，其技術狀態(tài)的好壞往往會影響到整個設備的可用性和安全性。因此，人們對軸承的故障診斷進行了大量研究，主要方法途徑有：振動分析法、溫度分析法、聲學分析法和油樣分析法等。其中振動分析法是最主流的分析方法，具有信號獲取簡便、包含豐富故障信息的優(yōu)勢。目前的研究熱點是從振動信號中提取出能夠反映軸承故障模式并且對噪聲不敏感的特征，從而對其故障進行診斷。

軸承在不同狀態(tài)時，其振動信號的時域波形、頻譜、包絡譜等圖形往往具有不同的特征。工程人員在進行軸承的故障判定時，一個重要的途徑就是觀察軸承運轉時這些圖形，分析其具有的特征。這一過程難以實時在線進行，且其判定結果極大地依賴于人的專業(yè)水平的經驗。

近年來，隨著圖像識別技術日趨成熟，也有將圖像識別技術應用在軸承的故障診斷中的解決方案，現有技術的基本原理都是利用計算機自動識別振動信號圖像所對應的故障狀態(tài)，從而實現對軸承故障的自動判定，可以不需要人工干預，是一種可行有效的技術途徑。但現有技術的缺陷在于：

1.需要數量巨大的樣本進行訓練，才能達到較高的準確率；

2.單次訓練計算量需求很大，導致耗時很長。

上述兩個缺陷綜合起來，即現有技術要達到較高的故障識別準確率，需要耗費的時間和計算成本是很高昂的，限制了技術的發(fā)展和應用推廣。

發(fā)明內容

本發(fā)明針對上述問題，提供基于遷移學習振動信號圖像識別的軸承故障診斷方法，其目的在于降低模型所需訓練次數和單次訓練所需計算時間。

為解決上述問題，本發(fā)明提供的技術方案為：

基于遷移學習振動信號圖像識別的軸承故障診斷方法，包含以下步驟：

首先采集軸承振動信號；對所述軸承振動信號進行預處理得到軸承振動信號圖像數據；將多個所述軸承振動信號圖像數據及其對應的軸承狀態(tài)以集合的形式保存，得到軸承振動信號圖像樣本數據集；

然后利用所述軸承振動信號圖像樣本數據集，采用BP算法對Inception V3模型的全連接層的輸出神經元的參數和Inception V3模型的softmax層的輸出神經元的參數進行訓練更新，得到適用于軸承故障診斷的InceptionV3模型；

然后利用所述適用于軸承故障診斷的InceptionV3模型對軸承進行故障診斷；

每次采集所述軸承振動信號時的采樣頻率一致；每次采集所述軸承振動信號時的采樣數據的個數一致；

所述軸承振動信號圖像數據的分辨率為800*600；每個所述軸承振動信號圖像數據的坐標尺度都一致；