CN110455537A - 一种轴承故障诊断方法及系统 - Google Patents

Abstract

本发明提供一种轴承故障诊断方法及系统，其诊断方法包括：采集工况下故障轴承的实验数据并依次构建训练集，利用训练集建立分类模型；利用验证集和测试集优化分类模型的平滑因子，得到优化模型；最终，利用优化模型对轴承运行数据进行故障诊断。本发明分类模型具有较高的分类准确率，且训练更新速度较快。

Description

一种轴承故障诊断方法及系统

技术领域

本发明属于轴承诊断技术领域，涉及一种轴承故障诊断方法及系统。

背景技术

滚动轴承健康状态对机电设备的性能、稳定性和使用寿命有巨大影响，若其发生故障将影响设备的正常工作，造成巨大的经济损失甚至人员伤亡。近年来，随着设备不断趋于智能化、复杂化，准确识别轴承故障及严重程度变得非常重要。传统的定期维修需消耗大量的人力物力，且难以实现设备的实时监控。因此实时监测、识别轴承故障类别，判断故障严重程度对保障设备长期安全可靠运行，具有重要意义。

AI的兴起，智能故障诊断方法逐渐成为故障诊断领域的主流算法。针对滚动轴承的故障，国内外学者进行了大量的研究，形成了大致两种诊断分类方法。一种是先对轴承信号进行特征提取得到训练集，训练反向传播神经网络，支持向量机等分类模型实现故障诊断分类，这类方法所需样本量较小，但对数据的抗噪声干扰能力较差。另一种是采用深度学习如卷积神经网络，深度置信网络等直接提取轴承信号的特征并进行诊断分类，这类方法有一定的抗噪声干扰能力，但需要大量的故障类型数据进行特征学习，模型训练更新耗费时间较长，无法保证在小样本下仍具有良好的特征学习能力。因此需要一种在小样本训练集下有较高的分类准确率，同时兼具较好的抗噪声干扰能力的诊断分类方法，用于轴承早期故障识别与诊断。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种轴承故障诊断方法及系统，用于解决上述问题。

为实现上述目的及其他相关目的，本发明提供一种轴承故障诊断方法，所述轴承故障诊断方法包括：

采集至少一种工况类型的故障轴承运行的实验数据；

依据所述实验数据构建训练集、验证集和测试集，利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

利用所述优化模型对轴承运行数据进行故障诊断。

于本发明的一实施例中，所述的利用验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

于本发明的一实施例中，从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

于本发明的一实施例中，所述的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

于本发明的一实施例中，所述的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；

利用所述训练集构建所述广义回归神经网络-柔性最大值分类模型。

本发明还提供了一种轴承故障诊断系统，其特征在于：包括：

信号采集装置，采集至少一种工况类型的故障轴承运行的实验数据和轴承运行数据；

信号分析处理器，包括：

数据集构建模块，被配置为依据所述实验数据构建训练集、验证集和测试集；

模型建立模块，被配置为利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

数据训练模块，被配置为利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

故障识别模块，被配置为利用所述优化模型对所述轴承运行数据进行故障诊断。

于本发明的一实施例中，所述数据训练模块被配置的优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

于本发明的一实施例中，从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

于本发明的一实施例中，所述数据集构建模块被配置的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

于本发明的一实施例中，所述模型建立模块被配置的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；

利用所述训练集构建所述广义回归神经网络-柔性最大值分类模型。

如上所述，本发明的广义回归神经网络-柔性最大值分类模型不仅在小样本训练集下有较高的分类准确率，且训练更新速度较快。

本发明在广义回归神经网络的输出端连接柔性最大值构建广义回归神经网络-柔性最大值分类模型，利用广义回归神经网络对数据的容错性及鲁棒性，结合柔性最大值归一化，构建对数据具有较高容错性和鲁棒性的分类模型。

本发明采用灰狼优化算法优化广义回归神经网络-柔性最大值分类模型的关键参数平滑因子，能减少计算次数，避免遗漏最优解，并实现全局优化。

附图说明

图1显示为本发明的轴承故障诊断方法于一实施例中的流程示意图。

图2显示为轴转速2000r/min，载荷2kn的内圈滚子复合型故障的VMD分解示意图。

图3显示为GRNN-SOFTMAX分类模型结构图。

图4显示为优化GRNN-SOFTMAX分类模型的平滑因子的流程示意图。

图5显示为本发明的轴承故障诊断系统于一实施例中的结构示意图。

图6显示为平稳工况下的分类混淆矩阵。

图7显示为变载荷工况下的分类混淆矩阵。

图8显示为变转速工况下的分类混淆矩阵。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，本发明提供一种轴承故障诊断方法，应用于轴承试验机，主要包括以下步骤：

S1，采集至少一种工况类型的故障轴承运行的实验数据。

在本实施例中，采集的设备借用三向加速度传感器和一单向加速度传感器，在采集之前，将三向加速度传感器和单向加速度传感器分别安装在主轴轴承试验机上。

另外，本实施例选用8种工况：轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障和内圈滚子复合型故障。在主轴轴承试验机上安装不同工况的故障轴承，每个工况下的故障轴承运行相同的设定时间，由三向加速度传感器和单向加速度传感器进行采集对应的实验数据。

S2，依据得到的实验数据构建训练集、验证集和测试集，利用所述训练集建立广义回归神经网络-柔性最大值分类模型。

本实施例利用变分模态分解(VMD，Variational mode decomposition)，以下简称VMD分解，将所述实验数据划分训练集、验证集和测试集。

VMD分解是一种新的信号分解估计方法，与其它分离方法相比，该方法具有明显的不同，主要体现在对每个分量中心频率和带宽的求解过程中。首先，该方法可自适应性的将信号进行分解，分解后每个分量具有不同的中心频率，且中心频率的剖分效果比其它分离方法的处理效果更好，待中心频率确定以后便可以通过迭代寻优的方法来确定每个IMF分量的带宽。由于求解过程中每个IMF分量的中心频率和带宽一直在进行更新，因此在求解带宽过程中，将其转换成求解非约束变分问题最优解的问题，从而得到最优的带宽。

具体地，将采集的实验数据进行VMD分解得到K个BLIMF分量，根据计算各BLIMF的谱相关系数ρ₁，ρ₂，…ρ_k，|U_k|和|V|分别为原始信号和第k个BLIMF分量的傅里叶变换的模：并找出其中的最小值ρ_min，若ρ_min小于预设阈值0.1，则确定最小分解层数K＝K-1，否则令K＝K+1，重复上述循环直到找到满足要求的K值。

VMD分解步骤简单表示如下：

S211，依据VMD分解算法，初始化模态函数中心频率Lagrange乘法算子{λ¹}和初始循环次数n＝0；

S212，对于n＝n+1执行整个迭代，并更新

式中，u_k＝{u₁,u₂,…u_k}为模态的集合；ω_k＝{ω₁,ω₂,…ω_k}为相对应中心频率的集合

S213，当ω≥0时，由式更新λⁿ⁺¹(ω)；其中τ代表时间常数，

S214，重复步骤S23～S24，直至满足条件(其中e>0为判别精度)则迭代停止，得到K个模态分量。

本发明将实验数据通过VMD分解取得合适的K个模态分量，以及相对应各个模态分量的中心频率，从而确定最终的分解层数K。

在S2中，利用VMD分解构建数据集的步骤如下：

S215，依据上述VMD分解获得的分解层数，以及设定的工况参数，取得VMD分解的结果。本实施例中分解层数为K＝3，以其中工况参数：轴转速2000r/min，载荷2kn为例取得的VMD分解的结果，如图2所示。

S216，统计每个BLIMF的特征参数，作为输入量。具体地，统计每个BLIMF的平均值、峰值、均方根、波峰因子、裕度因子、脉冲系数、形状系数、偏度、峭度这9个特征参数，得到的27个数据作为输入向量。

S217，对不同的故障类别构建类别标签，采用one-hot编码，即每种类别对应一个向量，其维数与类别相同，各类别对应的故障种类关系如表1。

表1数据集故障种类和对应标签

Tab.1 Data set fault type and corresponding label

S218，依照上述步骤S215～S2016，依次对采集到的不同载荷和转速工况下的数据进行处理取得特征参数，构建各个工况下的特征参数构成数据集，将每个工况下的数据集均划分为训练集验证集和测试集三个部分。

进一步地，在S2中，利用所述训练集建立广义回归神经网络-柔性最大值分类模型，具体包括：

S221，构建广义回归神经网络(以下简称GRNN神经网络)。其中，GRNN神经网络的具体公式为：式中，X_i和Y_i(i＝1,2,…n)表示训练样本的输入与输出，为神经网络对输入向量X所对应输出向量的预测值，σ为平滑因子。如图3所示，构建的广义回归神经网络包含存在输入层、模式层、求和层和中间层。

S222，构建柔性最大值归一化层函数(以下简称SOFTMAX函数)。其中，SOFTMAX函数的表达式为：其中，K为分类问题的类别数，Z为SOFTMAX函数的输入向量，P为输出向量，P中的每个元素值p_i为输入向量隶属于类别i(i＝1,2...K)的概率。可以看出，GRNN神经网络的输出是SOFTMAX函数的输入。

S223，将特征参数作为给定的输入量X，获取GRNN神经网络的输出量Y＝f(X,σ)，将GRNN神经网络的输出量Y作为SOFTMAX函数的输入量Z，此时Z＝Y＝f(X,σ)，Y、Z均为K维向量，K是类别数，获得分类模型输出向量P的每个元素p_i，p_i表示输入向量X隶属于类别i(i＝1,2···K)的概率。

S224，利用训练集构建所述广义回归神经网络-柔性最大值分类模型(以下简称GRNN-SOFTMAX分类模型)。需要说明的是，训练集用来构建分类模型，验证集在模型构建过程中用于评价模型分类准确率以自适应调整参数，测试集用来评估最终模型的泛化能力。

S225，评价模型分类准确率指标。具体地，以模型对验证集的预测输出和验证集的类别标签之间的均方误差值(验证误差M)作为评价模型分类准确率的指标，用以搜寻最合适的σ，计算公式为：式中N表示验证集数据个数，K表示类别数，p(σ)表示给定参数σ值下模型的预测输出，q表示类别标签。验证误差越小，预测输出与类别标签就越接近，表明模型对验证集的分类准确率越高。

本发明在GRNN神经网络的输出端连接SOFTMAX构建GRNN-SOFTMAX分类模型，利用GRNN神经网络对数据的容错性及鲁棒性，结合柔性最大值归一化，构建对数据具有较高容错性和鲁棒性的分类模型。

S3，利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型。优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型。具体地，利用灰狼优化算法(Grey WolfOptimizer,以下简称为GWO算法)优化GRNN-SOFTMAX分类模型的平滑因子，如图4所示，主要包括：

S31，在GRNN-SOFTMAX分类模型基础上设置基本参数，输入所述训练集展开训练；

S32，初始化GWO算法的参数：预设种群数量、最大迭代次数、个体位置范围，定位猎物位置，令灰狼个体的位置等于GRNN-SOFTMAX模型的平滑因子即H＝σ。在本实施例中，可预设种群数量为5，最大迭代次数为20次。

在GWO算法中，将距离猎物最近的前三个灰狼个体被定义为α、β、δ，在种群中它们具有最优适应度值，命名为fitness。α、β、δ领导剩余狼群向搜索区域中有希望的空间搜寻。

在GWO算法中，存在以下三个定义：

定义1：灰狼与猎物间的距离。GWO算法中，需要确定灰狼个体与猎物之间的距离D，即D＝|c·H_p(t)-H(t)|，中t表示当前的迭代次数，c＝2·r₁，r₁是[0，1]之间的随机数，H_p是猎物的位置向量，H是灰狼的位置向量。

定义2：灰狼个体位置的更新。灰狼位置更新如公式H(t+1)＝H_p(t)-A·D，其中A＝2·a·r₂-a，a从2逐渐减小到0，r₂是[0，1]之间的随机数。

定义3：猎物位置定位。在抽象搜索空间中，猎物位置未知。因此令前三个最优灰狼个体的位置代替猎物位置，迫使其他灰狼个体根据这三个最优灰狼个体的位置进行位置更新。

灰狼个体跟踪猎物方位的数学描述如下：

将三个灰狼α、β、δ的位置H_α、H_β、H_δ，更新位置为H_α(t+1)、H_β(t+1)、H_δ(t+1)，随结合位置更新公式综合判断出灰狼个体的位置更新。

S33，训练GRNN-SOFTMAX分类模型并计算适应度值。其中，每个个体的是适应度值fitness＝M(p(σ),q)。

S34，按照所述适应度值大小顺序排列(即适应度值越小的灰狼位置越好)，选择排列靠前的多个最优狼，并迭代更新灰狼位置，获取最优适应度值并保存相应位置。具体为：

(一)在迭代过程中，迭代次数加1，比较当前适应度值与上一代适应度值，例如比较当前α狼适应度值与上一代α狼适应度值，选择较小者作为最优适应度值并保存对应个体位置；在实施例选择排序前3的3只最优狼。

(二)判别适应度值是否小于设定阈值或是迭代次数是否达到最大迭代次数，若是，则把，优化GRNN-SOFTMAX分类模型，若否，则返回执行S34。

S35，以最优适应度值的位置作为最优平滑因子，优化GRNN-SOFTMAX分类模型。

本发明采用GWO算法优化GRNN-SOFTMAX模型的关键参数平滑因子，能减少计算次数，避免遗漏最优解，并实现全局优化。

S4，利用所述优化的GRNN-SOFTMAX分类模型对轴承运行数据进行故障诊断。

本发明的GRNN-SOFTMAX分类模型不仅在小样本训练集下有较高的分类准确率，且训练更新速度较快。

请参阅图5，本发明还提供了一种轴承故障诊断方法系统，包括：信号采集装置2和信号分析处理器3，诊断系统还包含有一主轴轴承试验机1。

在本实施例中，信号采集装置2，采集至少一种工况类型的故障轴承运行的实验数据和轴承运行数据。具体地，所述信号采集装置2包括三向加速度传感器和一单向加速度传感器。在采集之前，将三向加速度传感器和单向加速度传感器分别安装在主轴轴承试验机1上。在主轴轴承试验机1上安装不同工况的故障轴承，每个故障轴承运行一设定时间，由三向加速度传感器和单向加速度传感器进行采集，本实施例中，选用了8种工况类型：轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障和内圈滚子复合型故障；还包括1种正常工况。

进一步地，信号分析处理器3，包括：

数据集构建模块，被配置为依据所述实验数据构建训练集、验证集和测试集；

模型建立模块，被配置为利用所述训练集建立GRNN-SOFTMAX分类模型；

数据训练模块，被配置为利用所述验证集和测试集优化所述GRNN-SOFTMAX分类模型的平滑因子，得到优化模型；

故障识别模块，被配置为利用所述优化模型对所述轴承运行数据进行故障诊断。

进一步地，所述数据训练模块被配置的优化所述GRNN-SOFTMAX分类模型的平滑因子，具体为：利用GWO算法优化GRNN-SOFTMAX分类模型的平滑因子，具体步骤已在诊断方法中已阐述，这里不再赘述。

进一步地，所述数据集构建模块被配置的依据所述实验数据构建训练集，具体为：利用VMD分解将所述实验数据构建训练集。

进一步地，所述模型建立模块被配置的所利用所述训练集建立GRNN-SOFTMAX分类模型，具体建立内容已在诊断方法中已阐述，这里不再赘述。

GRNN-SOFTMAX分类模型诊断验证：

本实施例利用上述的GRNN-SOFTMAX分类模型进行诊断效果验证：

提供了前述的数据集构建种类和对应标签，以及轴承故障参数、工况参数、数据集；

本实施例使用小样本训练集训练GRNN-SOFTMAX分类模型，使用小样本训练集训练GRNN-SOFTMAX分类模型。采用分类混淆矩阵的形式表达模型对测试集的分类结果，混淆矩阵是评判分类模型结果的指标，混淆矩阵的行表示数据所属的真实类别，列则表示分类模型对数据的预测类别，因此对角线上的元素表明模型分类正确的概率，而其他元素则表明分类混淆的概率。

验证分类模型对滚动轴承平稳工况下的故障诊断分类能力，测试集使用工况下的数据，模型对测试集的分类混淆矩阵如图6。混淆矩阵的第1行和第1列不存在混淆，表明对是否故障的诊断准确率为100％，仅在类别2，类别7，类别8这三种故障模式下出现少量的分类错误，表明在平稳工况下，模型仅仅需要很小的训练集就能得到较好的诊断分类模型。

为验证方法的鲁棒性，使用上述所训练的模型，分别对载荷发生改变的测试集和变转速工况下的测试集进行诊断分类。

模型对载荷发生改变的测试集的诊断分类混淆矩阵如图7，其中可看出对是否故障的诊断准确率依然为100％，主要分类错误出现在类别8和类别9这两种复合故障模式之间，但整体的分类准确率依旧较高，表明该模型对不同载荷下的数据仍有着较好的诊断分类效果。

模型对变转速工况下的测试集的诊断分类混淆矩阵如图8：可看出模型对类别1的正常轴承数据的识别效果较好，对类别2至类别7的轴承单一故障下的数据存在着少量的故障分类错误，而对类别8和类别9这两种复合故障的诊断分类效果则变得很差，这是由于变转速工况下复合故障的轴承信号更易受到转速改变的干扰，因此更加难以识别。

为进一步验证本发明给出的诊断方法的适用性，使用训练集训练小样本下常用的轴承故障诊断模型即支持向量机(SupportVector Machine，以下简称SVM)，同时选取与训练集相对应的轴承振动时域数据，依照基于短时傅里叶变换和卷积神经网络(以下简称STFT-CNN)的轴承故障诊断方法训练卷积神经网络。本发明的诊断方法与SVM、STFT-CNN分别对测试集的诊断准确率及分类准确率如下表6所示，诊断准确率表示正确判断轴承是否故障的准确率，分类准确率表示正确识别轴承故障类别的准确率。对比表6中三种方法的诊断分类准确率可知在小样本训练集下GRNN-SOFTMAX对平稳工况和复杂变转速工况下的数据有更好的诊断分类效果。

表6使用训练集小样本下的三种方法对数据的预测准确率

使用大样本训练集的数据，分别训练GRNN-SOFTMAX以及SVM，同样选取与训练集相对应的轴承振动时域数据训练卷积神经网络。3种方法对测试集的诊断准确率及分类准确率如下表所示。与表6中数据对比可发现当训练集样本数据量增加时，CNN对3类工况的诊断分类效果都有较大的提升，这是由于CNN神经网络得到了大量的样本进行特征学习，表现出较好的诊断分类能力。而GRNN-SOFTMAX和SVM对测试集的诊断分类效果提升较低，这是由于GRNN-SOFTMAX分类模型将平稳工况下的故障特征作为输入向量送入到模式层中，其对复杂变转速工况具有一定诊断分类能力是由于该模型本身对数据具有一定的容错性和鲁棒性，增加平稳工况下的数据量并不能使其具有更好的特征学习能力来更加准确的诊断复杂工况下的数据。而SVM的训练过程是从故障特征数据中寻找几个能够构建分类超平面的支持向量，因此增加平稳工况下的数据量也不能明显提升其对复杂工况数据的诊断能力。

由上述结果可知，本文所提方法在小样本下相比另外两种方法具有更好的诊断分类能力。

表7使用训练集大样本下的三种方法对数据的预测准确率

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种轴承故障诊断方法，其特征在于，所述轴承故障诊断方法包括：

采集至少一种工况类型的故障轴承运行的实验数据；

依据所述实验数据构建训练集、验证集和测试集，利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

利用所述优化模型对轴承运行数据进行故障诊断。

2.根据权利要求1所述的轴承故障诊断方法，其特征在于：所述的利用验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

3.根据权利要求1所述的轴承故障诊断方法，其特征在于：从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

4.根据权利要求1所述的轴承故障诊断方法，其特征在于：所述的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

5.根据权利要求1所述的轴承故障诊断方法，其特征在于：所述的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；

利用所述训练集构建所述广义回归神经网络-柔性最大值分类模型。

6.一种轴承故障诊断系统，其特征在于：包括：

信号采集装置，采集至少一种工况类型的故障轴承运行的实验数据和轴承运行数据；

信号分析处理器，包括：

数据集构建模块，被配置为依据所述实验数据构建训练集、验证集和测试集；

模型建立模块，被配置为利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

数据训练模块，被配置为利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

故障识别模块，被配置为利用所述优化模型对所述轴承运行数据进行故障诊断。

7.根据权利要求6所述的轴承故障诊断系统，其特征在于：所述数据训练模块被配置的优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

8.根据权利要求6所述的轴承故障诊断系统，其特征在于：从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

9.根据权利要求6所述的轴承故障诊断系统，其特征在于：所述数据集构建模块被配置的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

10.根据权利要求6所述的轴承故障诊断系统，其特征在于：所述模型建立模块被配置的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；

利用所述训练集构建所述广义回归神经网络-柔性最大值分类模型。