CN112668417A - 一种基于振动信号的滚动轴承智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于振动信号的滚动轴承智能故障诊断方法，包括通过前端采集模块采集检测待测滚动轴承的三向振动加速度信号和转速信号，通过5G通信传输模块将振动时域信号及转速时域信号实时传输到云端数据处理模块，通过云端分析模块对振动时域信号及转速时域信号进行处理，振动时域信号及转速时域信号经过快速傅里叶变换转换成振动频域信号及转速频域信号，并合成colormap图，通过colormap图能够展示共振、阶次、冲击、能量低中高频段分布信息，将colormap图转换成二维灰度图，建立智能学习模型，分析提取二维灰度图中的特征点信息，进行特征识别，采用匀加速工况下信号，增加了转速信号采集，在振动信号上增加维度，提高基础信息量，提升精度。

Description

一种基于振动信号的滚动轴承智能故障诊断方法

技术领域

本发明涉及轴承故障诊断技术领域，具体涉及一种基于振动信号的滚动轴承智能故障诊断方法。

背景技术

滚动轴承广泛存在于旋转机械中，其状态的损坏将严重影响旋转机械的运行状态及性能实现。因此，滚动轴承的状态检测及故障诊断一直是人们关注的方向。随着传感器技术的发展，可以更加方便的从机械设备获取大量的测试数据，从而推动了基于测试信号的故障诊断技术的发展。

在滚动轴承的故障诊断中，基于振动信号的傅里叶变换(FFT)、小波变换(WPT)、经验模态分解(EMD)都是常见的诊断技术。从时域或频域信号中分析、提取特征，结合轴承的几何参数综合判断实现故障诊断，但这些诊断技术极其依赖于技术人员的分析经验和理论水平，通常耗时耗力且最终结果无法保证。近年来，随着智能学习及大数据技术的发展，振动信号结合智能学习算法的故障诊断分类技术逐渐进入人们的视野。

现有技术对滚动轴承的故障诊断中，滚动轴承的振动信号通常为稳态测试数据，且不包含转速信号，这往往会遗漏关键信息，结果诊断误差不易保证；且采用PC作为处理器，数据样本库相对较小且分散，不利于智能学习模型的实时训练和精度提高；另外，采用卷积神经网络模型进行深度学习，实现自动化故障诊断，但是卷积神经网络模型需要足够大的训练库才能保证模型精度，对于滚动轴承这种故障类型相对较少的故障诊断不是最优选择。

发明内容

根据现有技术的不足，本发明的目的是提供一种基于振动信号的滚动轴承智能故障诊断方法，采用匀加速工况下信号，增加了转速信号采集，在振动信号上增加维度，提高基础信息量，且采用主成分分析法进行图像识别，基于相对大的训练样本库做到高精度模型，并引入大数据云平台及5G无线通信技术，有利于提高智能学习模型精度和诊断系统的环境适应性。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于振动信号的滚动轴承智能故障诊断方法，包括：

步骤1、通过前端采集模块采集待测滚动轴承的三向振动加速度信号和转速信号，其中，根据待测滚动轴承的类型及应用设备信息设定缓加速工况，待测滚动轴承从零转速缓慢加速至最大转速，振动时域信号及转速时域信号经过预处理、采样、量化和编码实现数据的采集；

步骤2、通过5G通信传输模块将振动时域信号及转速时域信号实时传输到云端数据处理模块；

步骤3、通过云端分析模块对振动时域信号及转速时域信号进行处理，振动时域信号及转速时域信号经过快速傅里叶变换转换成振动频域信号及转速频域信号，并合成colormap图，通过colormap图能够展示共振、阶次、冲击和能量低中高频段分布信息；

步骤4、将colormap图转换成二维灰度图；

步骤5、建立智能学习模型，分析提取二维灰度图中的特征点信息，进行特征识别，完成数据库样本的故障诊断时特征值检索匹配过程，在训练样本库过程中，当不同滚动轴承所有类型的故障均被训练储存后，将形成完善的云端数据库，不同故障类型被以特征值集合形式保存，待测滚动轴承经过完整的测试、传输和处理过程将形成一套新的特征值，该特征值与数据库中特征值进行检索、匹配从而实现故障的诊断确定。

进一步地，所述步骤1中，使用三向加速度传感器采集轴承端的振动加速度信号，借助编码器采集转速信号，振动加速度信号和转速信号均通过数据采集卡进行驱动。

进一步地，在步骤3中，利用快速傅里叶变换将振动时域信号及转速时域信号转换成振动频域信号及转速频域信号的公式为：

其中：X(k)为傅里叶变换结果，x(n)为时域信号，N为离散信号个数，根据W_n的对称性和周期性可实现快速傅里叶变换。

进一步地，在步骤3中，通过修正的加权平均法将colormap图转化为二维灰度图，在转化过程中，在对代表振动幅值的每个像素值进行规范化处理，转换过程中，加大R和B色的权重，提高转换后特征保留度，转换公式为：

Grey＝a×R+b×G+c×B， a+b+c＝1

其中，R、G、B分别为红绿蓝颜色值，Grey为得到的灰度值，通过修正a、b、c三个权重的数值实现期望变换。

进一步地，在步骤4中，将二维灰度图进行分块预处理，分块预处理将综合考虑转速和频段信息。

进一步地，分块预处理包括A1区域、横坐标扩展区域和纵坐标扩展区域，其中A1区域是主区域，涵盖不同轴承类型的所有最大转速范围及不同轴承的基础频率范围，是特征对比匹配的核心区域，二维灰度图中，横坐标扩展区域向频率范围扩展，纵坐标扩展区域向转速范围扩展，应对不同最高工作转速轴承的分析诊断工作。

进一步地，分块预处理包括A1区域、A2区域、A3区域、A4区域、A5区域和A6区域，A1区域、A2区域、A3区域、A4区域、A5区域和A6区域的数据信息通过数据集存入：

A1_L*R＝{A1₁₁,A1₁₂……A1_1R；A1₂₁,A1₂₂……A1_2R；……；A1_L1,A1_L2……A1_LR}

A2_L*J＝{A2₁₁,A2₁₂……A2_1J；A2₂₁,A2₂₂……A2_2J；……；A2_L1,A2_L2……A2_LJ}

A3_L*K＝{A3₁₁,A3₁₂……A3_1K；A3₂₁,A3₂₂……A3_2K；……；A3_L1,A3_L2……A3_LK}

A4_X*R＝{A4₁₁,A4₁₂……A4_1R；A4₂₁,A4₂₂……A4_2R；……；A4_X1,A4_X2……A4_XR}

A5_y*J＝{A5₁₁,A5₁₂……A5_1J；A5₂₁,A5₂₂……A5_2J；……；A5_Y1,A5_Y2……A5_YJ}

A6_Z*K＝{A6₁₁,A6₁₂……A6_1K；A6₂₁,A6₂₂……A6_2K；……；A6_Z1,A6_Z2……A6_ZK}

其中，L为A1的纵坐标像素数，R为A1的横坐标像素数，A1_ij为第i行j列位置处的灰度值，L和J分别为A2区域的纵坐标和横坐标像素数，L和K分别为A3区域的纵坐标和横坐标像素数，X和R分别为A4区域的纵坐标和横坐标像素数，Y和J分别为A5区域的纵坐标和横坐标像素数，Z和K分别为A6区域的纵坐标和横坐标像素数，数集中元素分别为对应位置的灰度值；

A1区域到A3区域及A4区域到A6区域依次扩展频率范围，A1区域到A4区域、A2区域到A5区域及A3区域到A6区域依次扩展了转速范围。

进一步地，在步骤5中，采用以主成分分析法为基础的图像识别技术，分析提取二维灰度图中的特征点信息：

F_i＝a_1iX₁+a_2iX₂+…+a_miX_m， i＝1，2，...，n

其中F_i为第i个主成分，a_ji为系数，X_j为变量；

主成分函数为：

(F₁，F₂，...F_n)′＝A′X

其中，A＝(a_ij)_m×n，为m×n系数矩阵，X＝(X₁，X₂，...X_m)为变量矩阵。

进一步地，在训练样本库过程中，根据实际需要调整频率范围和转速范围的分块数量能够实现高精度高效率的最大化。

与现有技术相比，本发明具有以下优点和有益效果：

1.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，振动信号采用从零到最高转速的匀加速工况，覆盖转速范围更大，有利于暴露随转速变化的故障特征，为阶次特征的提取提供了基础，是其他诊断所采用的的稳态信号所不具备的。

2.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，采集信号中增加了转速时域信号，与振动信号一块采集，提高了基础信号的维度，也是形成colormap图的必要基础。

3.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，振动信号形成图像过程采用的基础图为colormap图，以频率为横坐标，转速为纵坐标，采用从蓝到红的颜色表示幅值从小到大，图上特征具有明确的物理意义，从图中可以很容易分析出共振、阶次、冲击、能量低中高频段分布等丰富信息，通过主成分分析等图像识别技术提取，容易且精度极高，也是单纯稳态振动信号形成的二维图难以提供的。

4.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，为了提高传输效率，在保留必要信息的基础上，提出了将彩色图转化为二维灰度图，降低图片容量大小，占用更少字节传输同样信息。

5.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，为了保证从彩图到二维灰度图转化中信息保真度，采用了修正的加权平均法，提高了R和B的权重因子，将使在colormap图中代表幅值的红蓝色的信息在二维灰度图中用灰度值精确描述。

6.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，图像识别采用主成分分析法(PCA)，提出对图片进行预分块处理，以考虑不同轴承类型的不同最高转速、不同滚道表面精度情况，提高图像识别及后续匹配的效率和精度。

7.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，提出了借助5G实时通信技术，采用了采集端与数据处理中心分离的形式，符合现今资源结构性优化，建设贡献型社会的原则。采集端只包含基本测量设备，数据处理分析等对资源技术水平要求较高的工作在云端处理，降低了诊断需求方技术储备压力，也降低了诊断需求方硬件成本，同时大量测试数据在云端保存，提高了数据安全性，体量大的训练样本库也在实时提高了智能模型的诊断精度，符合大数据管理的宗旨，实现了再学习再训练的理想正反馈状态。

8.本发明所述的一种基于振动信号的滚动轴承智能故障诊断方法，提出的基于5G无线通信形式，拜托了大量测试设备线的束缚，增强了诊断系统的场地适用性。实时与云端通信也建立了“即连即用，即测即得”的新型诊断形式。

附图说明

图1为本发明的滚动轴承故障诊断系统流程示意图。

图2为本发明的振动信号和转速信号形成colormap图。

图3为本发明的修正加权平均法将colormap图转化为灰度图。

图4为本发明的二维灰度图分块预处理示意图。

图5为本发明的待测滚动轴承特征值检索匹配示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

一种基于振动信号的滚动轴承智能故障诊断方法，参照图1所示，包括：

步骤1、通过前端采集模块采集待测滚动轴承的三向振动加速度信号和转速信号，其中，根据待测滚动轴承的类型及应用设备信息设定缓加速工况，待测滚动轴承从零转速缓慢加速至最大转速，振动时域信号及转速时域信号经过预处理、采样、量化、编码实现数据的采集，振动信号采用从零到最高转速的匀加速工况，覆盖转速范围更大，相比于检测稳态信号，更加有利于暴露随转速变化的故障特征，为阶次特征的提取提供了基础；

步骤2、通过5G通信传输模块将振动时域信号及转速时域信号实时传输到云端数据处理模块；

步骤3、通过云端分析模块对振动时域信号及转速时域信号进行处理，振动时域信号及转速时域信号经过快速傅里叶变换转换成振动频域信号及转速频域信号，并合成colormap图，通过colormap图能够展示共振、阶次、冲击和能量低中高频段分布信息，振动信号形成图像过程采用的基础图为colormap图，colormap图中以频率为横坐标，转速为纵坐标，以红蓝色带表示不同转速不同频率下的振动幅值大小，颜色从蓝到红的表示幅值从小到大，使得信息极易通过主成分分析等图像识别技术提取，且精度极高，也是单纯稳态振动信号形成的二维图难以提供的；

步骤4、将colormap图转换成二维灰度图，可以提高传输效率，在保留必要信息的基础上，提出了将彩色图转化为二维灰度图，降低图片容量大小，占用更少字节传输同样信息；

步骤5、建立智能学习模型，分析提取二维灰度图中的特征点信息，进行特征识别，完成数据库样本的故障诊断时特征值检索匹配过程，在训练样本库过程中，当不同滚动轴承所有类型的故障均被训练储存后，将形成完善的云端数据库，不同故障类型被以特征值集合形式保存，待测滚动轴承经过完整的测试、传输、处理过程将形成一套新的特征值，该特征值与数据库中特征值进行检索、匹配从而实现故障的诊断确定。

在步骤1中，可以通过大量的待测滚动轴承作为训练样本，获得训练样本库，得到训练样本库后，再输入待测滚动轴承的信息，可以得到待测滚动轴承的故障诊断信息。

步骤1中，使用三向加速度传感器采集轴承端的振动加速度信号，借助编码器采集转速信号，振动加速度信号和转速信号均通过数据采集卡进行驱动。

在步骤2中，在云平台运用方面，面向大数据平台和5G实时通信系统设计诊断系统，充分利用集中平台效应保证训练样本库的体量，提高训练模型的精度，同时方便永久保存数据，避免设备人员带来的数据丢失风险；充分利用5G技术的实时通信功能，降低操作端信号分析、数据处理的压力，将复杂诊断分析工作转变为按规测量、实时获取诊断信息的基本简单操作。有利于降低诊断方的技术储备压力，有利于实现资源共享、合理分配。同时各模块分离及无线传输的特点对复杂多变的轴承运用场景具有更强的适应性。

在步骤3中，利用快速傅里叶变换将振动时域信号及转速时域信号转换成振动频域信号及转速频域信号的公式为：

其中：X(k)为傅里叶变换结果，x(n)为时域信号，N为离散信号个数，根据W_n的对称性和周期性可实现快速傅里叶变换。

参照图2所示，为振动信号和转速信号形成的colormap图。

在步骤3中，参照图3所示，通过修正的加权平均法将colormap图转化为二维灰度图，在转化过程中，在对代表振动幅值的每个像素值进行规范化处理，转换过程中，加大R和B色的权重，提高转换后特征保留度，转换公式为：

Grey＝a×R+b×G+c×B， a+b+c＝1

其中，R、G、B分别为红绿蓝颜色值，Grey为得到的灰度值，通过修正a、b、c三个权重的数值实现期望变换。

通过规范化处理是基于大体量数据库的总体数据所确定，排除了偶发情况的干扰。

在步骤4中，将二维灰度图进行分块预处理，分块预处理将综合考虑转速和频段信息，进行分块预处理后，将二维灰度图的图像信息进一步细化，防止了不同转速、不同规格轴承之间的无效匹配，方便智能学习模型的智能化和精细化发展。

具体地，分块预处理包括A1区域、横坐标扩展区域和纵坐标扩展区域，其中A1区域是主区域，涵盖不同轴承类型的所有最大转速范围及不同轴承的基础频率范围，是特征对比匹配的核心区域，二维灰度图中，横坐标扩展区域向频率范围扩展，纵坐标扩展区域向转速范围扩展，应对不同最高工作转速轴承的分析诊断工作。

本发明实施例中，参照图4所示，分块预处理包括A1区域、A2区域、A3区域、A4区域、A5区域和A6区域，A1区域、A2区域、A3区域、A4区域、A5区域和A6区域的数据信息通过数据集存入：

A1_L*R＝{A1₁₁,A1₁₂……A1_1R；A1₂₁,A1₂₂……A1_2R；……；A1_L1,A1_L2……A1_LR}

A2_L*J＝{A2₁₁,A2₁₂……A2_1J；A2₂₁,A2₂₂……A2_2J；……；A2_L1,A2_L2……A2_LJ}

A3_L*K＝{A3₁₁,A3₁₂……A3_1K；A3₂₁,A3₂₂……A3_2K；……；A3_L1,A3_L2……A3_LK}

A4_X*R＝{A4₁₁,A4₁₂……A4_1R；A4₂₁,A4₂₂……A4_2R；……；A4_X1,A4_X2……A4_XR}

A5_y*J＝{A5₁₁,A5₁₂……A5_1J；A5₂₁,A5₂₂……A5_2J；……；A5_Y1,A5_Y2……A5_YJ}

A6_Z*K＝{A6₁₁,A6₁₂……A6_1K；A6₂₁,A6₂₂……A6_2K；……；A6_Z1,A6_Z2……A6_ZK}

其中，L为A1的纵坐标像素数，R为A1的横坐标像素数，A1_ij为第i行j列位置处的灰度值，L、J分别为A2区域的纵、横坐标像素数，L、K分别为A3区域的纵、横坐标像素数，X、R分别为A4区域的纵、横坐标像素数，Y、J分别为A5区域的纵、横坐标像素数，Z、K分别为A6区域的纵、横坐标像素数，数集中元素分别为对应位置的灰度值；

A1区域到A3区域及A4区域到A6区域依次扩展频率范围，A1区域到A4区域、A2区域到A5区域及A3区域到A6区域依次扩展了转速范围。

本发明提出的方法也可以用于其他轴承的智能故障诊断，根据不同轴承的类型，进行横坐标扩展和纵坐标扩展。

在步骤5中，采用以主成分分析法为基础的图像识别技术，分析提取二维灰度图中的特征点信息：

F_i＝a_1iX₁+a_2iX₂+…+a_miX_m， i＝1，2，...，n

其中F_i为第i个主成分，a_ji为系数，X_j为变量；

主成分函数为：

(F₁，F₂，...F_n)′＝A′X

其中，A＝(a_ij)_m×n，为m×n系数矩阵，X＝(X₁，X₂，...X_m)为变量矩阵。

在训练样本库过程中，根据实际需要调整频率范围和转速范围的分块数量能够实现高精度高效率的最大化。

图像特征值提取通过特征值能量法作为检测标准，当特征值能量达到总图能量的95％时才认为特征提取合理，否则需要微调并对新特征值重新检测。

本发明基于二维灰度图的分块预处理工作，对每个分块图像进行特征识别，使用特征值能量法作为检验工具提高特征值的可靠性和有效性。在训练样本库过程中，适当调整频率范围、转速范围的分块数量可以实现高精度高效率的最大化。图5示意了基于数据库样本的故障诊断时特征值检索匹配过程，当不同滚动轴承所有类型的故障均被训练储存后，将形成完善的云端数据库，不同故障类型被以特征值集合形式保存，待测滚动轴承经过完整的测试、传输、处理过程将形成一套新的特征值，该特征值与数据库中特征值进行检索、匹配从而实现故障的诊断确定。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于振动信号的滚动轴承智能故障诊断方法，其特征在于，包括：

步骤1、通过前端采集模块采集待测滚动轴承的三向振动加速度信号和转速信号，其中，根据待测滚动轴承的类型及应用设备信息设定缓加速工况，待测滚动轴承从零转速缓慢加速至最大转速，振动时域信号及转速时域信号经过预处理、采样、量化和编码实现数据的采集；

步骤2、通过5G通信传输模块将振动时域信号及转速时域信号实时传输到云端数据处理模块；

步骤3、通过云端分析模块对振动时域信号及转速时域信号进行处理，振动时域信号及转速时域信号经过快速傅里叶变换转换成振动频域信号及转速频域信号，并合成colormap图，通过colormap图能够展示共振、阶次、冲击和能量低中高频段分布信息；

步骤4、将colormap图转换成二维灰度图；

步骤5、建立智能学习模型，分析提取二维灰度图中的特征点信息，进行特征识别，完成数据库样本的故障诊断时特征值检索匹配过程，在训练样本库过程中，当不同滚动轴承所有类型的故障均被训练储存后，将形成完善的云端数据库，不同故障类型被以特征值集合形式保存，待测滚动轴承经过完整的测试、传输和处理过程将形成一套新的特征值，该特征值与数据库中特征值进行检索、匹配从而实现故障的诊断确定。

2.根据权利要求1所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：所述步骤1中，使用三向加速度传感器采集轴承端的振动加速度信号，借助编码器采集转速信号，振动加速度信号和转速信号均通过数据采集卡进行驱动。

3.根据权利要求1所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：在步骤3中，利用快速傅里叶变换将振动时域信号及转速时域信号转换成振动频域信号及转速频域信号的公式为：

其中：X(k)为傅里叶变换结果，x(n)为时域信号，N为离散信号个数，根据W_n的对称性和周期性可实现快速傅里叶变换。

4.根据权利要求1所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：在步骤3中，通过修正的加权平均法将colormap图转化为二维灰度图，在转化过程中，在对代表振动幅值的每个像素值进行规范化处理，转换过程中，加大R和B色的权重，提高转换后特征保留度，转换公式为：

Grey＝a×R+b×G+c×B，a+b+c＝1

其中，R、G、B分别为红绿蓝颜色值，Grey为得到的灰度值，通过修正a、b、c三个权重的数值实现期望变换。

5.根据权利要求1所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：在步骤4中，将二维灰度图进行分块预处理，分块预处理将综合考虑转速和频段信息。

6.根据权利要求5所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：分块预处理包括A1区域、横坐标扩展区域和纵坐标扩展区域，其中A1区域是主区域，涵盖不同轴承类型的所有最大转速范围及不同轴承的基础频率范围，是特征对比匹配的核心区域，二维灰度图中，横坐标扩展区域向频率范围扩展，纵坐标扩展区域向转速范围扩展，应对不同最高工作转速轴承的分析诊断工作。

7.根据权利要求6所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：分块预处理包括A1区域、A2区域、A3区域、A4区域、A5区域和A6区域，A1区域、A2区域、A3区域、A4区域、A5区域和A6区域的数据信息通过数据集存入：

A1_L*R＝{A1₁₁,A1₁₂……A1_1R；A1₂₁,A1₂₂……A1_2R；……；A1_L1,A1_L2……A1_LR}

A2_L*J＝{A2₁₁,A2₁₂……A2_1J；A2₂₁,A2₂₂……A2_2J；……；A2_L1,A2_L2……A2_LJ}

A3_L*K＝{A3₁₁,A3₁₂……A3_1K；A3₂₁,A3₂₂……A3_2K；……；A3_L1,A3_L2……A3_LK}

A4_X*R＝{A4₁₁,A4₁₂……A4_1R；A4₂₁,A4₂₂……A4_2R；……；A4_X1,A4_X2……A4_XR}

A5_y*J＝{A5₁₁,A5₁₂……A5_1J；A5₂₁,A5₂₂……A5_2J；……；A5_Y1,A5_Y2……A5_YJ}

A6_Z*K＝{A6₁₁,A6₁₂……A6_1K；A6₂₁,A6₂₂……A6_2K；……；A6_Z1,A6_Z2……A6_ZK}

其中，L为A1的纵坐标像素数，R为A1的横坐标像素数，A1_ij为第i行j列位置处的灰度值，L和J分别为A2区域的纵坐标和横坐标像素数，L和K分别为A3区域的纵坐标和横坐标像素数，X和R分别为A4区域的纵坐标和横坐标像素数，Y和J分别为A5区域的纵坐标和横坐标像素数，Z和K分别为A6区域的纵坐标和横坐标像素数，数集中元素分别为对应位置的灰度值；

A1区域到A3区域及A4区域到A6区域依次扩展频率范围，A1区域到A4区域、A2区域到A5区域及A3区域到A6区域依次扩展了转速范围。

8.根据权利要求5所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：在步骤5中，采用以主成分分析法为基础的图像识别技术，分析提取二维灰度图中的特征点信息：

F_i＝a_1iX₁+a_2iX₂+…+a_miX_m，i＝1，2，...，n

其中F_i为第i个主成分，a_ji为系数，X_j为变量；

主成分函数为：

(F₁，F₂，...F_n)′A′X

其中，A＝(a_ij)_m×n，为m×n系数矩阵，X＝(X₁，X₂，...X_m)为变量矩阵。

9.根据权利要求8所述的基于振动信号的滚动轴承智能故障诊断方法，其特征在于：在训练样本库过程中，根据实际需要调整频率范围和转速范围的分块数量能够实现高精度高效率的最大化。

Images