一种诊断滚动轴承故障的方法及装置制造方法及图纸

本发明专利技术实施例提供一种诊断滚动轴承故障的方法及装置，方法包括：将训练样本进行相关处理，得到时频谱图；基于时频谱图，训练集成深层脊波卷积自编码网络；基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别目标滚动轴承的故障类型和故障程度。本发明专利技术将SSST用于滚动轴承故障诊断，提高了滚动轴承振动信号的时频分辨率，有利于后续DRCAN的自动特征提取；将脊波函数的时、频、方向局部特性与1D‑CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征。

A method and device for diagnosing rolling bearing fault

【技术实现步骤摘要】
一种诊断滚动轴承故障的方法及装置
本专利技术涉及故障检测
，尤其涉及一种诊断滚动轴承故障的方法及装置。
技术介绍
滚动轴承是旋转设备的重要部件之一，被广泛应用于数控机床、航空航天及汽车等领域。滚动轴承的健康状态与整个设备的工作性能密切相关，一旦出现故障，轻则会降低生产质量，重则会造成生产事故，因此，针对滚动轴承故障的诊断研究不仅具有重要的理论意义，更有很好的实际应用价值。目前，基于传感器物理量的滚动轴承诊断方法应用最广泛，且研究最多的是振动信号，方法主要是信号处理方法。但实际采集到的滚动轴承振动信号经常受到诸如多振源激励和响应相互耦合和强噪声等因素影响，一般表现出强烈的非线性和非平稳性，导致振动信号非常复杂，传统基于“人工特征提取+人工特征选择+浅层分类器模式识别”的滚动轴承故障诊断方法的诊断性能很大程度上依赖于人工特征提取和特征选择，而从原始特征集中为不同的诊断任务选择较为敏感的特征并不容易，此外支持向量机、神经网络等浅层分类器面临维数灾难问题，难以表征被测信号与机械故障之间的复杂映射关系。因此，如何有效提高滚动轴承的故障识别率，成为亟待解决的技术问题。
技术实现思路
本专利技术实施例提供一种诊断滚动轴承故障的方法及装置，用以解决如何有效提高滚动轴承的故障识别率这一技术问题。本专利技术实施例提供一种诊断滚动轴承故障的方法，包括：将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；基于所述时频谱图，训练集成深层脊波卷积自编码网络；基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。可选地，所述训练样本包括无标签训练样本和有标签训练样本。可选地，所述将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图，包括：对所述无标签训练样本和所述有标签训练样本进行归一化处理；对归一化处理后的所述无标签训练样本和所述有标签训练样本进行同步挤压S变换，分别得到无标签时频谱图和有标签时频谱图。可选地，所述基于所述时频谱图，训练集成深层脊波卷积自编码网络，包括：分别将每个无标签时频谱图的像素按行排列成无标签列向量；分别将所述无标签列向量输入集成深层脊波卷积自编码网络中，对所述集成深层脊波卷积自编码网络进行无监督训练；分别将每个有标签时频谱图的像素按行排列成有标签列向量；分别利用所述有标签列向量对无监督训练后的集成深层脊波卷积自编码网络进行有监督调整，得到训练好的集成深层脊波卷积自编码网络。本专利技术实施例提供一种诊断滚动轴承故障的装置，包括：样本处理模块、网络训练模块和故障识别模块；所述样本处理模块，用于将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；所述网络训练模块，用于基于所述时频谱图，训练集成深层脊波卷积自编码网络；所述故障识别模块，用于基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。可选地，所述训练样本包括无标签训练样本和有标签训练样本。可选地，所述样本处理模块，具体用于：对所述无标签训练样本和所述有标签训练样本进行归一化处理；对归一化处理后的所述无标签训练样本和所述有标签训练样本进行同步挤压S变换，分别得到无标签时频谱图和有标签时频谱图。可选地，所述网络训练模块，具体用于：分别将每个无标签时频谱图的像素按行排列成无标签列向量；分别将所述无标签列向量输入集成深层脊波卷积自编码网络中，对所述集成深层脊波卷积自编码网络进行无监督训练；分别将每个有标签时频谱图的像素按行排列成有标签列向量；分别利用所述有标签列向量对无监督训练后的集成深层脊波卷积自编码网络进行有监督调整，得到训练好的集成深层脊波卷积自编码网络。本专利技术实施例将SSST用于滚动轴承故障诊断，提高了滚动轴承振动信号的时频分辨率，有利于后续DRCAN的自动特征提取。区别于传统的DAE故障特征提取方法，本专利技术将脊波函数的时、频、方向局部特性与1D-CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的诊断滚动轴承故障的方法的流程示意图；图2为滚动轴承故障诊断试验台；图3为滚动轴承7种工况时域图；图4为样本分割示意图；图5为z(t)的S变换时频图；图6为z(t)的SSST变换时频图；图7为轴承外圈故障信号S变换时频图；图8为轴承外圈故障信号SSST变换时频图；图9为标准AE结构；图10为RAE结构；图11为3隐层DRCAN结构；图12为不同方法的测试结果；图13为多分类混淆矩阵；图14为本专利技术一实施例提供的诊断滚动轴承故障的装置的结构示意图；图15为本专利技术一实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为验证本专利技术的可行性和有效性，以滚动轴承故障诊断测试平台为对象。实验所用的滚动轴承故障测试平台由SpectraQuest公司生产，实验滚动轴承的型号为NU202ECP滚动轴承。滚动轴承故障试验台如图2所示，由驱动器、电磁制动器、测试轴承等组成，采用ICP加速度计作为传感器并安装于滚动轴承座上。使用电火花技术在轴承内圈、外圈和滚动体上加工故障直径分别为0.16mm和0.32mm的环槽以模拟轴承轻度故障和中度故障。设置采样频率为12kHz，在1800r/min、负载1hp工况下采集轴承振动信号，共设计7种不同的滚动轴承工况，见表1。表2为滚动轴承参数。表1滚动轴承7种工况描述表2滚动轴承参数描述滚动轴承的故障诊断实际上就是对故障编码进行识别的过程，必须对每个样本设置编码，以判断样本是否识别正确。由于实验共设置7种工况状态，故设置样本故障编码样式为7位数字组成。当输入某一种类型的振动数据时，输出结果中7位数字本文档来自技高网...

【技术保护点】
1.一种诊断滚动轴承故障的方法，其特征在于，包括：/n将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；/n基于所述时频谱图，训练集成深层脊波卷积自编码网络；/n基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。/n

【技术特征摘要】
1.一种诊断滚动轴承故障的方法，其特征在于，包括：
将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；
基于所述时频谱图，训练集成深层脊波卷积自编码网络；
基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。


2.根据权利要求1所述的诊断滚动轴承故障的方法，其特征在于，所述训练样本包括无标签训练样本和有标签训练样本。


3.根据权利要求2所述的诊断滚动轴承故障的方法，其特征在于，所述将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图，包括：
对所述无标签训练样本和所述有标签训练样本进行归一化处理；
对归一化处理后的所述无标签训练样本和所述有标签训练样本进行同步挤压S变换，分别得到无标签时频谱图和有标签时频谱图。


4.根据权利要求3所述的诊断滚动轴承故障的方法，其特征在于，所述基于所述时频谱图，训练集成深层脊波卷积自编码网络，包括：
分别将每个无标签时频谱图的像素按行排列成无标签列向量；
分别将所述无标签列向量输入集成深层脊波卷积自编码网络中，对所述集成深层脊波卷积自编码网络进行无监督训练；
分别将每个有标签时频谱图的像素按行排列成有标签列向量；
分别利用所述有标签列向量对无监督训练后的集成深层脊波卷积自编码网络进行有监督调整，得到训练好的集成深层脊波卷积自编码网络。


5.一种诊断滚动轴承故障的装置，其特征在于，包括：样本处理模块、网络训练模块和故障识别模块；
所述样本处理模块，用于将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得...

【专利技术属性】
技术研发人员：陈志刚，杜小磊，赵志川，赵杰，白堂博，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11