【技术实现步骤摘要】
本申请涉及轴承故障诊断的，尤其涉及一种轴承故障的诊断方法、系统、设备及存储介质。
技术介绍
1、数控机床乃是集成电气、机械以及精密加工工程于一体的复杂机电融合产物。其运行过程中，即便微小的异常出现，也可能对机床的正常运行造成严重干扰与破坏。机床在实际运行中，会根据各种需求发生工况变化，这导致了机床滚动轴承的工作条件，如转速和负载等，也随之不断变化。滚动轴承是机床的核心组成之一，在机床运行中扮演着至关重要的角色。当机床的滚动轴承受损程度达到一定水平时，其性能将偏离正常工作状态，可能会引发各种故障。因此，在轴承故障早期进行有效的故障诊断，准确地发现潜在问题并及时解决，对于减少机床制造商的损失、优化机床的维修计划，确保机床安全可靠运行，以及在一定程度上削减机床运行的维护成本都具有重要意义。
2、目前，传统基于专家知识的故障诊断方法通常对工程师的专业知识要求较高，因此在大规模应用中存在一定的局限性。这些方法依赖于工程师对系统运行和故障模式的深刻理解，以制定准确的诊断策略。然而，随着系统复杂性的不断增加和工作条件的变化，仅依靠专家知识来应对各种故障情况变得更加困难。
3、因此，如何解决上述问题，在没有领域专家的情况下对轴承进行故障诊断，是个亟待解决的技术问题。
技术实现思路
1、本申请实施例提供了一种轴承故障的诊断方法、系统、设备及存储介质，可以实现从大规模数据中提取模式和关联性，可以在没有领域专家的情况下，运用大规模数据集进行故障诊断的有益效果。
2、本
3、获取目标轴承所对应的目标振动信号，所述目标轴承为待确定是否存在故障的轴承；
4、对所述目标振动信号划分窗口，以得到所述目标振动信号所对应的数据集合；
5、对目标数据进行频域转换，以得到所述目标样本所对应的目标转换数据，所述目标数据为所述数据集合中的任意一个数据；
6、将所述目标转换数据输入自编码器网络模型,以得到所述目标转换数据所对应的聚类集合；将所述目标转换数据输入故障诊断模型，以确定所述目标轴承的健康状态，所述故障诊断模型为预先通过对第一训练样本集进行训练得到的，所述第一训练样本集为通过所述自编码器网络模型对第二训练样本集进行识别得到的，与所述振动信号对应的伪标签样本集合，所述自编码器网络模型为预先通过对第三训练样本集进行训练得到的，所述第三训练样本集为不同尺寸和健康状态的轴承所对应的振动信号的频域表示。
7、通过采用上述技术方案，从目标轴承上获取振动信号，将振动信号划分窗口形成数据集合后，对数据集合中的目标数据进行频域转换，得到对应的转换数据，再将转换数据输入训练好的自编码器网络模型，得到对应的聚类集合，最后将聚类集合输入训练好的故障诊断模型。故障诊断模型为每一个输入样本产生一个对应的类别标签，类别标签用于表示振动信号所对应的故障诊断结果，从而实现运用大规模数据集进行故障诊断的有益效果。
8、可选的，所述方法还包括：
9、步骤1、采集多个轴承所对应的振动信号，所述多个轴承为不同尺寸和健康状态的轴承；
10、步骤2、对所述振动信号进行预处理，以得到所述第二训练样本集；
11、步骤3、对所述第二训练样本集进行划分，以得到训练样本集和测试样本集；
12、步骤4、确定卷积自编码器，所述卷积自编码器包括用于通过数据特征提取而确定编码输出的编码器、用于通过特征还原而确定解码输出的解码器，所述编码器包括卷积层，所述解码器包括反卷积层；
13、步骤5、将目标训练样本输入所述卷积自编码器，以得到目标潜在空间表示，所述目标训练样本为所述训练样本集中的任意一个训练样本；
14、步骤6、确定所述目标潜在空间表示与所述目标训练样本所对应的真实标签之间的第一差异；步骤7、基于所述第一差异对所述卷积自编码器的第一损失函数进行调整；
15、步骤8、基于调整后的所述第一损失函数迭代执行步骤5至步骤7，直至达到第一预置的迭代终止条件，并将达到所述第一预置的迭代终止条件时的所述卷积自编码器确定所述自编码器网络模型；
16、步骤9、基于所述测试样本集对所述自编码器网络模型进行测试。
17、通过采用上述技术方案，从多个轴承为不同尺寸和健康状态的轴承中采集多个振动信号，形成第二训练样本集，通过卷积自编码器获取第二训练样本集所对应的潜在空间表示，再根据潜在空间表示与输入的目标训练样本调整卷积自编码器，并进行迭代训练；迭代后形成的自编码器网络模型，再通过测试样本集进行测试，从而通过多个轴承所采集的数据预训练自编码器网络模型。
18、可选的，所述对所述振动信号进行预处理，以得到所述第二训练样本集的步骤包括：
19、对所述振动信号划分窗口，以得到与所述目标振动信号所对应的数据集合；
20、对所述数据集合中的每个数据进行频域转换及归一化处理，以得到转换数据集。
21、通过采用上述技术方案，划分窗口便于数据处理，而对数据进行频域转换后有助于捕捉信号的频率特征，再通过归一化处理确保数据分布在合理的范围内。
22、可选的，所述方法还包括：
23、步骤1、将第一训练样本输入所述自编码器网络模型，以得到第一潜在表示集合，所述第一训练样本为所述第一训练样本集中任意一个样本数据；
24、步骤2、对所述第一潜在表示集合中的每个潜在表示进行特征降维，以得到第一降维特征集合；
25、步骤3、对所述第一降维特征集合进行聚类，以得到伪标签数据集合；
26、步骤4、根据所述自编码器网络模型搭建初始故障诊断模型；
27、步骤5、将目标伪标签数据输入所述初始故障诊断模型，以得到目标诊断结果，所述目标伪标签数据为所述伪标签数据集合中的任意一个样本数据；
28、步骤6、确定所述目标诊断结果与所述目标伪标签数据所对应的真实标签之间的第二差异；
29、步骤7、基于所述第二差异对所述初始故障诊断模型的第二损失函数进行调整；
30、步骤8、基于调整后的所述第二损失函数迭代执行步骤5至步骤7，直至达到第二预置的迭代终止条件，并将达到所述第二预置的迭代终止条件时的所述初始故障诊断模型确定所述故障诊断模型。
31、通过采用上述技术方案，将第一训练样本通过自编码器网络模型得到第一潜在表示集合后，进行降维、聚类操作以得到伪标签数据集合，将伪标签数据集合中的伪标签数据输入初始的故障诊断模型，基于所形成的目标诊断结果和目标伪标签数据所对应的真实标签之间的第二差异，迭代训练故障诊断模型，在满足迭代终止条件后得到训练好的故障诊断模型。
32、可选的，所述对所述第一降维特征集合进行聚类，以得到伪标签数据集合的步骤包括：
33、计算第一样本对类别的模糊隶属度矩阵uij和类别中心矩阵cj，以得到第一样本所对应的模糊隶属本文档来自技高网...
【技术保护点】
1.一种轴承故障的诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述对所述振动信号进行预处理，以得到所述第二训练样本集的步骤包括：
4.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的轴承故障的诊断的方法，其特征在于，所述对所述第一降维特征集合进行聚类，以得到伪标签数据集合的步骤包括：
6.根据权利要求4所述的轴承故障的诊断方法，其特征在于，所述方法包括：判断针对所述初始故障诊断模型的迭代次数是否达到预设数值；
7.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述方法还包括：
8.一种轴承故障的诊断系统，其特征在于，包括：
9.一种设备，其特征在于，包括存储器和处理器，存储器存储有能够被处理器加载并执行如权利要求1-7任一所述的轴承故障的诊断方法的计算机程序。
10.一种存储介质，其特征在于，存储有能
...【技术特征摘要】
1.一种轴承故障的诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述对所述振动信号进行预处理，以得到所述第二训练样本集的步骤包括：
4.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的轴承故障的诊断的方法，其特征在于，所述对所述第一降维特征集合进行聚类，以得到伪标签数据集合的步骤包括：
6.根据权利要求4所...
【专利技术属性】
技术研发人员：刘锦烽，何彩梅，何勇军，罗志清，刘书友，蔡顺华，
申请(专利权)人：深圳市东汇精密机电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。