CN110017991A - 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 - Google Patents

Abstract

本公开提供了一种基于谱峭度和神经网络的滚动轴承故障分类方法及系统。其中，基于谱峭度和神经网络的滚动轴承故障分类方法，包括：基于谱峭度对轴承故障信号进行滤波处理；提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

Description

基于谱峭度和神经网络的滚动轴承故障分类方法及系统

技术领域

本公开属于滚动轴承故障分类领域，尤其涉及一种基于谱峭度和神经网络的滚动轴承故障分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

轴承运行中产生的振声信号包含着丰富的轴承状态信息，通过信号处理技术对振声信号进行处理，最终通过故障诊断方法对振声信号进行分析可以完成对设备状态的检测。目前的轴承故障诊断和分类方法大都集中在对轴承振声信号分解、包络分析，如W.A.Smith等人在《Mechanical Systems and Signal Processing》2015年64-65卷中发表的综述论文《Rolling element bearing diagnostics using the Case Western ReserveUniversity data:A benchmark study》中总结了近些年在滚动轴承故障诊断中应用的信号处理、包络分析等技术，以及对CWRU轴承数据集中所有数据的整体评估。

发明人发现，在实际应用中，工厂内的噪声对采集的振声信号有较大干扰，传统的诊断和分类方法都无法在这种情况下得到较好的结果，同时传统的包络分析法无法分辨故障的严重程度，常用的故障分类方法在强噪声干扰下极易失效。因此，传统故障诊断方法存在对故障程度不敏感、抗噪能力不强以及鲁棒性不足的问题。

发明内容

为了解决上述问题，本公开的第一个方面提供一种基于谱峭度和神经网络的滚动轴承故障分类方法，其基于谱峭度和卷积神经网络对滚动轴承进行故障分类，有效解决了强噪声影响下轴承诊断中精度不高和故障程度无法识别的问题。

为了实现上述目的，本公开采用如下技术方案：

一种基于谱峭度和神经网络的滚动轴承故障分类方法，包括：

基于谱峭度对轴承故障信号进行滤波处理；

提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

为了解决上述问题，本公开的第二个方面提供一种基于谱峭度和神经网络的滚动轴承故障分类系统，其基于谱峭度和卷积神经网络对滚动轴承进行故障分类，有效解决了强噪声影响下轴承诊断中精度不高和故障程度无法识别的问题。

为了实现上述目的，本公开采用如下技术方案：

一种基于谱峭度和神经网络的滚动轴承故障分类系统，包括：

谱峭度滤波模块，其用于基于谱峭度对轴承故障信号进行滤波处理；

特征提取模块，其用于提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

训练集构建模块，其用于分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

分类模型训练模块，其用于将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

故障分类模块，其用于利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

为了解决上述问题，本公开的第三个方面提供一种计算机可读存储介质，其基于谱峭度和卷积神经网络对滚动轴承进行故障分类，有效解决了强噪声影响下轴承诊断中精度不高和故障程度无法识别的问题。

为了实现上述目的，本公开采用如下技术方案：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的基于谱峭度和神经网络的滚动轴承故障分类方法中的步骤。

为了解决上述问题，本公开的第四个方面提供一种计算机设备，其基于谱峭度和卷积神经网络对滚动轴承进行故障分类，有效解决了强噪声影响下轴承诊断中精度不高和故障程度无法识别的问题。

为了实现上述目的，本公开采用如下技术方案：

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于谱峭度和神经网络的滚动轴承故障分类方法中的步骤。

本公开的有益效果是：

(1)本公开采用基于谱峭度的滤波方法，更有效的滤除实际噪声干扰、提取故障信号成分，有利于提高分类精度；

(2)本公开采用将梅尔倒谱系数特征和其差分特征分别排列成二维矩阵，作为双通道数据输入到卷积神经网络中分类的方法，不但照顾到了信号的动态特征和静态特征，同时又充分利用了卷积神经网络对二维矩阵分类的优势，提高了分类精度。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例提供的基于谱峭度和神经网络的滚动轴承故障分类方法流程图；

图2为本公开实施例提供的谱峭度曲线阈值化为滤波器幅频响应的示意图；

图3为本公开实施例提供的特征排列及扩充示意图；

图4为本公开实施例提供的双通道卷积神经网络结构图；

图5(a)为本公开实施例提供的单通道卷积神经网络对带噪数据分类结果的混淆矩阵；

图5(b)为本公开实施例提供的经过基于谱峭度滤波后通过单通道卷积神经网络分类的结果混淆矩阵；

图6为本公开实施例提供的针对卷积网络通道数的实验结果混淆矩阵。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。

本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。

术语解释：

谱峭度是一种可以指示出信号中非高斯成分所在频率范围的统计指标，最早由Dwyer提出。

针对传统故障诊断方法中对故障程度不敏感、抗噪能力不强以及鲁棒性不足的问题，本公开提供了一种基于谱峭度和神经网络的滚动轴承故障分类方法，其有效解决了强噪声影响下轴承诊断中精度不高和故障程度无法识别的问题。

如图1所示，本实施例的基于谱峭度和神经网络的滚动轴承故障分类方法，包括：

步骤1：基于谱峭度对轴承故障信号进行滤波处理；

具体地，轴承故障信号一段轴承振动数据或是声音数据。

在训练双通道卷积神经网络过程中，轴承故障信号为已有的多种数据样本。在对轴承故障进行分类的过程中，轴承故障信号为现场采集到的轴承振动信号或声音信号。

在具体实施中，基于谱峭度对轴承故障信号进行滤波处理的过程，包括：

步骤1.1：计算轴承故障信号的谱峭度，得到一个表征信号在各个频率点上峭度值；

其具体过程为：计算采样轴承故障信号Y(n)的短时傅里叶变换

其中w(n)为汉宁窗，窗口宽度Nw，窗口移动的步长P，f为频率。

计算信号Y(n)的短时傅里叶变换的2m阶谱距：

其中<...>_i运算符为以i为变量的时间平均算子。

通过(2)式得到2阶、4阶谱距及则信号Y(n)的谱峭度可以由下式计算得出：

步骤1.2：对谱峭度值进行阈值化并以此构建滤波器；

如图2所示，将谱峭度曲线阈值化到0-1区间内，得到基于谱峭度,滤波器的幅频曲线：

对滤波器幅频曲线取离散傅里叶反变换得到滤波器系数。

步骤1.3：利用滤波器对待分类的轴承故障信号进行滤波。

最终，通过该滤波器对输入的轴承故障进行滤波，得到滤波后的信号。

本实施例采用基于谱峭度的滤波方法，更有效的滤除实际噪声干扰、提取故障信号成分，有利于提高分类精度；

在基于短时傅里叶变换的谱峭度计算方法提出后，极大地简化了计算过程同时提高了谱峭度的表征故障频段的效率，因此该方法快速应用于包括故障诊断在内的多个领域。

本实施例采用对谱峭度直接阈值化后取逆傅里叶变换得到滤波器系数的方法，较传统的基于谱峭度的带通滤波方法更简便，且能照顾到多频带上的信息，更加精确。

步骤2：提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

具体地，提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征的过程，包括：

步骤2.1：对轴承故障信号进行有重叠的分帧及加窗处理，得到样本集；

对输入信号进行分帧和加窗，汉宁窗的表达式为：

其中T为汉宁窗口的长度，w(t)为窗口的第t个幅值。

步骤2.2：对样本集中每一帧信号做离散傅里叶变换，得到每一帧信号的线性频谱；

对分帧后的信号做离散傅里叶变换

其中x(t)为一帧信号。若信号的采样频率为fs，则n对应的频率为

对X(n)取绝对值得到信号的幅度谱为：

M(n)＝|X(n)|,0≤n≤T-1 (8)

步骤2.3：将线性频率映射到梅尔频率，并通过梅尔滤波器组得到梅尔幅值谱；

对信号的幅度谱做梅尔频率滤波，首先将线性频率映射到梅尔频率上。映射关系为：

其中mel(f)为线性频率f对应的梅尔频率。

通过梅尔滤波器组，对梅尔频率上的幅度谱滤波。梅尔滤波器组的表达式为：

其中B(j,n)是滤波器组中第j个滤波器的第n个点的幅值，fj(n)是n对应的梅尔频率，fc(j)为第j个滤波器的中心频率。

步骤2.4：对梅尔幅值谱做对数变换，得到对数幅值谱；

通过梅尔滤波器组对信号的幅度谱滤波，得到梅尔幅度谱：

对梅尔幅度谱取以e为底的对数得到对数幅度谱

s(j)＝lnMS(j) (12)

步骤2.5：将上述对数幅值谱做M维离散余弦变换，得到一帧信号对应的M维梅尔倒谱系数特征，再对M维梅尔倒谱系数特征求一阶差分，得到对应的M维一阶差分特征；其中，M为正整数。

对对数幅度谱取M维离散余弦变换，得到M维的梅尔倒谱系数特征：

其中，J为滤波器组中包含的滤波器总数。在得到梅尔倒谱系数特征C(n)后，按如下公式计算可得对应的差分特征：

其中d(n)为差分特征向量的第n个值，K为时间差值，通常取1或2。

步骤3：分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

训练集之后，对训练集进行扩充。为将一维的梅尔倒谱系数特征和差分特征向量输入到卷积神经网络中，本实施例中提出了一种对一维特征向量进行排列的方法。同时为了满足训练卷积神经网络所需的样本数量，提出了与特征排列相结合的特征扩充方法。特征排列和扩充的示意图如图3，具体步骤如下：

1)对同一类的所有信号帧提取梅尔倒谱系数特征以及一阶差分特征，形成梅尔特征集及差分特征集，假设各包含Z个特征向量，对每一个特征向量编号；

2)从梅尔特征集中随机抽取N个特征向量，按抽取的顺序依次排列，形成大小为N*M的特征图。并按梅尔特征集中抽取的向量的编号，抽取差分特征集中对应的差分特征向量，按该顺序排列形成特征图；

3)将抽取出的N个梅尔特征向量和差分特征向量分别放回训练集；

4)重复2)和3)直到特征图数量足够训练卷积神经网络，完成特征扩充。

步骤4：将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型。

具体地，双通道卷积神经网络的结构如图4所示。本实施例中的卷积神经网络包括：

1)双通道输入层。其中一个通道作为梅尔倒谱系数特征图的输入通道，另一个作为差分特征图的输入通道。

2)第一层卷积层。对应两个卷积核，大小为5*5。

3)第一层池化层。做平均池化，池化核大小为2*2。

4)第二层卷积层。对应三个卷积核，大小为5*5。

5)第二层池化层。做平均池化，池化核大小为2*2。

6)全连接输出层。输出一个一维向量，向量包含的元素数与样本的类别数相等。

通过bp训练方法对卷积神经网络进行训练，即以输出与标签的差值为代价函数进行迭代修正，修正步长取1。

在分类过程中，将采集的数据提取特征，整理成二维特征图，输入到训练好的卷积神经网络中，则最终全连接输出层输出的向量中非零元素所在的位置即为该样本所属的故障类别。

步骤5：利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

在轴承故障呈现非高斯震荡特征的客观事实下，基于谱峭度的滤波方法能够有效地检测出信号中的非高斯成分并将高斯成分滤除，降低噪声对故障信息的影响。提取梅尔倒谱系数及其差分系数作为振声信号的特征，全面的表征了振声信号在倒谱域的动态、静态特性。本实施例中公开了一种特征排列方法，将振声信号一维特性整理成二维特征图，通过构建的双通道输入卷积神经网络，完成轴承故障分类。本实施例具有抗实际噪声能力强，分类精度高以及能适应多种相似问题的优点。

本实施例的基于谱峭度和神经网络的滚动轴承故障分类方法的效果可以用下列实验进一步说明：

1.实验条件

本实施例的一组验证实验的硬件条件为：64bits windows 7，CPU intel corei5，RAM 8GB，实验用的软件为Matlab R2018a。

实验数据来自于美国西储大学轴承数据中心(CWRU bearing data center)公开的轴承振动加速度数据。该数据库中包含的轴承数据分为驱动端和风扇端轴承故障数据两大类，数据采集的位置分为基座(BA)、驱动端(DE)和风扇端(FE)三个位置，电机所带的负载有0，1，2，3马力。轴承的故障为在内圈、外圈和滚动体三个位置上的半径为0.007、0.014和0.021英寸的擦伤故障。对轴承数据加入信噪比为0dB的实际工厂噪声干扰，通过以下实验验证本发明的有效性。

2.实验内容及结果

1)对比基于谱峭度的滤波方法对分类精度的影响

本实验对驱动端0负载基座振动数据的13类故障数据进行分类。图5(a)为单通道卷积神经网络对带噪数据分类结果的混淆矩阵。图5(b)为经过基于谱峭度滤波后通过单通道卷积神经网络分类的结果混淆矩阵。两图中总的分类精度分别为84.41％和98.68％，由此可知基于谱峭度的滤波方法显著的提高了在实际工厂噪声下的轴承故障分类精度。

2)对比单、双通道卷积神经网络对分类精度的影响

本实验用双通道卷积神经网络分别对带噪数据进行分类，与实验1)中单通道卷积神经网络对带噪数据的分类结果形成对比。双通道卷积网络对带噪数据分类结果的混淆矩阵如图6，总的分类精度为90.33％。与实验1)中单通道分类精度84.41％相比，双通道卷积网络取得了更好的分类结果。

3)单通道卷积网络对带噪数据的分类与结合谱峭度滤波的双通道卷积网络对带噪数据进行分类的结果对比。

本实验中，利用不带滤波的单通道卷积神经网络与本发明中结合谱峭度滤波的双通道卷积网络对数据库中所有驱动端与风扇端的数据进行分类和对比。其中，轴承数据按采集位置和电机所带负载共划分成24个数据集。最终的分类精度(％)如表1-表4所示。其中表1和表2分别为无滤波单通道方法和谱峭度滤波双通道方法对驱动端故障数据的分类精度。表3和表4分别为无滤波单通道方法和谱峭度滤波双通道方法对风扇端故障数据的分类精度。

表1

表2

表3

表4

分别对比表1-表4中对应的分类结果，可以看出，采用本实施例中基于谱峭度滤波和双通道卷积网络方法，对带实际工厂噪声的分类结果明显更加精确。同时，本实施例中的方法在所有数据集内的分类精度都相对精确，没有出现明显分类结果较差的数据集。

通过上述实验结果，可以证明本实施例中的方法不但有良好的抵抗实际噪声干扰的能力和较强的鲁棒性，而且对差异比较大的数据集，如不同位置的数据集、不同负载情况下的数据集，也具有一定适应性，能够在不同的数据集中精确的完成分类。

本实施例中提取梅尔倒谱系数及一阶差分系数作为振声信号的特征表达，其是一种在音频信号处理领域常用的特征，可以有效的反映振声信号的静态特性，同时一阶差分系数表征了梅尔倒谱系数的动态特性，更全面的表征了振声信号在倒谱域的整体特征。本实施例中构建卷积神经网络作为故障分类器，卷积神经网络在图像视频等二维数据识别中具有精确度高适应性强鲁棒性好的优点。

在另一实施例中，还提供了一种基于谱峭度和神经网络的滚动轴承故障分类系统，其包括：

(1)谱峭度滤波模块，其用于基于谱峭度对轴承故障信号进行滤波处理；

具体地，所述谱峭度滤波模块，包括：

(1.1)谱峭度计算模块，其用于计算轴承故障信号的谱峭度，得到一个表征信号在各个频率点上峭度值；

(1.2)谱峭度滤波器构建模块，其用于对谱峭度值进行阈值化并以此构建滤波器；

(1.3)信号滤波模块，其用于利用滤波器对待分类的轴承故障信号进行滤波。

(2)特征提取模块，其用于提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

具体地，所述特征提取模块，包括：

(2.1)样本集构建模块，其用于对轴承故障信号进行有重叠的分帧及加窗处理，得到样本集；

(2.2)线性频谱获取模块，其用于对样本集中每一帧信号做离散傅里叶变换，得到每一帧信号的线性频谱；

(2.3)梅尔幅值谱获取模块，其用于将线性频率映射到梅尔频率，并通过梅尔滤波器组得到梅尔幅值谱；

(2.4)对数幅值谱获取模块，其用于对梅尔幅值谱做对数变换，得到对数幅值谱；

(2.5)梅尔倒谱系数特征获取模块，其用于将上述对数幅值谱做M维离散余弦变换，得到一帧信号对应的M维梅尔倒谱系数特征；

(2.6)差分特征获取模块，其用于对M维梅尔倒谱系数特征求一阶差分，得到对应的M维一阶差分特征；其中，M为正整数。

(3)训练集构建模块，其用于分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

作为一种实施方式，该系统还包括训练集扩充模块，其用于：

从梅尔特征集中随机抽取N个特征向量，按抽取的顺序依次排列，形成大小为N*M的特征图，并按梅尔特征集中抽取的向量的编号，抽取差分特征集中对应的差分特征向量，按该顺序排列形成特征图；其中，M和N均为正整数；

将抽取出的N个梅尔特征向量和差分特征向量分别放回训练集；

重复上述步骤，直到特征图数量达到预设值，完成训练集中特征扩充。

(4)分类模型训练模块，其用于将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

(5)故障分类模块，其用于利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

本实施例采用基于谱峭度的滤波方法，更有效的滤除实际噪声干扰、提取故障信号成分，有利于提高分类精度；

本实施例采用将梅尔倒谱系数特征和其差分特征分别排列成二维矩阵，作为双通道数据输入到卷积神经网络中分类的方法，不但照顾到了信号的动态特征和静态特征，同时又充分利用了卷积神经网络对二维矩阵分类的优势，提高了分类精度。

在另一实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的基于谱峭度和神经网络的滚动轴承故障分类方法中的步骤。

本实施例采用基于谱峭度的滤波方法，更有效的滤除实际噪声干扰、提取故障信号成分，有利于提高分类精度；

本实施例采用将梅尔倒谱系数特征和其差分特征分别排列成二维矩阵，作为双通道数据输入到卷积神经网络中分类的方法，不但照顾到了信号的动态特征和静态特征，同时又充分利用了卷积神经网络对二维矩阵分类的优势，提高了分类精度。

在另一实施例中，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的基于谱峭度和神经网络的滚动轴承故障分类方法中的步骤。

本实施例采用基于谱峭度的滤波方法，更有效的滤除实际噪声干扰、提取故障信号成分，有利于提高分类精度；

本实施例采用将梅尔倒谱系数特征和其差分特征分别排列成二维矩阵，作为双通道数据输入到卷积神经网络中分类的方法，不但照顾到了信号的动态特征和静态特征，同时又充分利用了卷积神经网络对二维矩阵分类的优势，提高了分类精度。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，包括：

基于谱峭度对轴承故障信号进行滤波处理；

提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

2.如权利要求1所述的基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，基于谱峭度对轴承故障信号进行滤波处理的过程，包括：

计算轴承故障信号的谱峭度，得到一个表征信号在各个频率点上峭度值；

对谱峭度值进行阈值化并以此构建滤波器；

利用滤波器对待分类的轴承故障信号进行滤波。

3.如权利要求1所述的基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征的过程，包括：

对轴承故障信号进行有重叠的分帧及加窗处理，得到样本集；

对样本集中每一帧信号做离散傅里叶变换，得到每一帧信号的线性频谱；

将线性频率映射到梅尔频率，并通过梅尔滤波器组得到梅尔幅值谱；

对梅尔幅值谱做对数变换，得到对数幅值谱；

将上述对数幅值谱做M维离散余弦变换，得到一帧信号对应的M维梅尔倒谱系数特征，再对M维梅尔倒谱系数特征求一阶差分，得到对应的M维一阶差分特征；其中，M为正整数。

4.如权利要求1所述的基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，该方法还包括对训练集进行扩充，其过程为：

从梅尔特征集中随机抽取N个特征向量，按抽取的顺序依次排列，形成大小为N*M的特征图，并按梅尔特征集中抽取的向量的编号，抽取差分特征集中对应的差分特征向量，按该顺序排列形成特征图；其中，M和N均为正整数；

将抽取出的N个梅尔特征向量和差分特征向量分别放回训练集；

重复上述步骤，直到特征图数量达到预设值，完成训练集中特征扩充。

5.一种基于谱峭度和神经网络的滚动轴承故障分类系统，其特征在于，包括：

谱峭度滤波模块，其用于基于谱峭度对轴承故障信号进行滤波处理；

特征提取模块，其用于提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

训练集构建模块，其用于分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

分类模型训练模块，其用于将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

故障分类模块，其用于利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

6.如权利要求5所述的基于谱峭度和神经网络的滚动轴承故障分类系统，其特征在于，所述谱峭度滤波模块，包括：

谱峭度计算模块，其用于计算轴承故障信号的谱峭度，得到一个表征信号在各个频率点上峭度值；

谱峭度滤波器构建模块，其用于对谱峭度值进行阈值化并以此构建滤波器；

信号滤波模块，其用于利用滤波器对待分类的轴承故障信号进行滤波。

7.如权利要求5所述的基于谱峭度和神经网络的滚动轴承故障分类系统，其特征在于，所述特征提取模块，包括：

样本集构建模块，其用于对轴承故障信号进行有重叠的分帧及加窗处理，得到样本集；

线性频谱获取模块，其用于对样本集中每一帧信号做离散傅里叶变换，得到每一帧信号的线性频谱；

梅尔幅值谱获取模块，其用于将线性频率映射到梅尔频率，并通过梅尔滤波器组得到梅尔幅值谱；

对数幅值谱获取模块，其用于对梅尔幅值谱做对数变换，得到对数幅值谱；

梅尔倒谱系数特征获取模块，其用于将上述对数幅值谱做M维离散余弦变换，得到一帧信号对应的M维梅尔倒谱系数特征；

差分特征获取模块，其用于对M维梅尔倒谱系数特征求一阶差分，得到对应的M维一阶差分特征；其中，M为正整数。

8.如权利要求5所述的基于谱峭度和神经网络的滚动轴承故障分类系统，其特征在于，该系统还包括训练集扩充模块，其用于：

从梅尔特征集中随机抽取N个特征向量，按抽取的顺序依次排列，形成大小为N*M的特征图，并按梅尔特征集中抽取的向量的编号，抽取差分特征集中对应的差分特征向量，按该顺序排列形成特征图；其中，M和N均为正整数；

将抽取出的N个梅尔特征向量和差分特征向量分别放回训练集；

重复上述步骤，直到特征图数量达到预设值，完成训练集中特征扩充。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于谱峭度和神经网络的滚动轴承故障分类方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于谱峭度和神经网络的滚动轴承故障分类方法中的步骤。