CN114462446A - 基于振动信号的滚动轴承故障诊断方法及电子设备 - Google Patents

基于振动信号的滚动轴承故障诊断方法及电子设备 Download PDF

Info

Publication number
CN114462446A
CN114462446A CN202111681766.7A CN202111681766A CN114462446A CN 114462446 A CN114462446 A CN 114462446A CN 202111681766 A CN202111681766 A CN 202111681766A CN 114462446 A CN114462446 A CN 114462446A
Authority
CN
China
Prior art keywords
fault diagnosis
time
frequency domain
rolling bearing
diagnosis model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111681766.7A
Other languages
English (en)
Inventor
周文康
李柠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202111681766.7A priority Critical patent/CN114462446A/zh
Publication of CN114462446A publication Critical patent/CN114462446A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明提供一种基于振动信号的滚动轴承故障诊断方法及电子设备，所述方法包括：采集滚动轴承的时域振动数据；对时域振动数据进行分割，基于一维卷积神经网络构建时域故障诊断模型；提取域振动数据中的频域信息，基于一维卷积神经网络构建频域故障诊断模型；将时域振动数据转化为二维时频图，基于二维卷积神经网络构建时频域故障诊断模型；基于时域故障诊断模型、频域故障诊断模型以及时频域故障诊断模型构建多流卷积神经网络，基于多流卷积神经网络对滚动轴承的运行状态进行分类。本发明通过采集不同种类的故障轴承振动数据，基于多流卷积神经网络构建故障诊断模型，实现滚动轴承的故障分类，提高了故障分类的准确率和可靠性。

Description

基于振动信号的滚动轴承故障诊断方法及电子设备
技术领域
本发明涉及机械设备的故障诊断技术领域，特别是涉及滚动轴承的故障检测技术领域。
背景技术
滚动轴承作为机械设备的重要部件，普遍应用于发电机、齿轮箱、涡轮机等大小型设备中，作为设备的关节在设备的各个零部件之间进行动力传递，并经常运行在高转速、高负荷的恶劣条件下，磨损和退化常常发生。根据相关统计，约有40％的设备故障与滚动轴承直接相关，此外，在齿轮箱的各种故障中占比也接近20％，仅次于齿轮故障所占比例；在风电机组的传动系统故障中，多数也是由于滚动轴承表面产生的裂纹或者点蚀。因此，监测轴承运行状态，及时诊断轴承故障具有重要的工程价值。
目前基于振动信号的滚动轴承故障诊断方法主要包括基于机理模型、基于数据驱动的方法。基于机理模型的方法依赖于滚动轴承的故障机理，即运用频域分析的相关知识，根据振动信号的频谱峰值得到轴承故障特征频率，进而识别轴承故障种类。然而，此类方法效果取决于频谱分析结果的优劣，分析效率低，难以实现高效自动地诊断和识别滚动轴承的故障。基于数据驱动方法将信号处理相关算法和机器学习模型进行结合，利用采集到的滚动轴承振动数据建立故障诊断模型。采用的机器学习模型主要包括：人工神经网络、K最近邻算法、支持向量机、卷积神经网络、深度玻尔兹曼机、级联深度信念网络等。该类方法通过采集正常状态和不同故障状态下轴承振动信号，利用信号处理算法提取时域、频域和时频域特征，输入到模型中进行训练，从而实现故障种类的识别。
经过对现有技术的公开文献检索发现，目前针对滚动轴承故障诊断的研究中大部分只利用单一的时域、频域或者时频域特征进行诊断，忽略了其他两个域的信息，难以实现高准确率地诊断。此外，目前的研究中对振动信号的时频域特征提取不够充分，不能配合机器学习模型进行特征智能提取。
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基于振动信号的滚动轴承故障诊断方法及电子设备，用于解决现有故障诊断研究中难以综合利用时域、频域和时频域特征进行高精确率诊断的问题。
为实现上述目的及其他相关目的，本发明提供一种基于振动信号的滚动轴承故障诊断方法，所述方法包括：采集滚动轴承的时域振动数据；对所述时域振动数据进行分割，并基于分割后的所述时域振动数据和一维卷积神经网络构建时域故障诊断模型；提取所述域振动数据中的频域信息，并基于所述频域信息和一维卷积神经网络构建频域故障诊断模型；将所述时域振动数据转化为二维时频图，并基于所述二维时频图和二维卷积神经网络构建时频域故障诊断模型；基于所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型构建多流卷积神经网络，基于所述多流卷积神经网络对滚动轴承的运行状态进行分类。
于本发明的一实施例中，所述采集滚动轴承的时域振动数据中采集正常的以及不同类别故障的滚动轴承的时域振动数据。
于本发明的一实施例中，所述对所述时域振动数据进行分割包括：根据采样频率和采样时间的不同确定单个样本所包含的数据点数N，将采集到的时域振动数据进行划分，得到不同故障类型的多个样本。
于本发明的一实施例中，所述在时域故障诊断模型中，输入为N点的时域振动信号，输出为类别概率向量
Figure BDA0003448356220000021
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
于本发明的一实施例中，所述提取所述域振动数据中的频域信息包括：对划分出的时域振动信号样本进行快速傅里叶变换，得到频域幅值数据，离散傅里叶变换的公式为：
Figure BDA0003448356220000022
其中，x(n)表示单个N点时域振动信号，X(k)为其变换后的频域幅值信号。
于本发明的一实施例中，所述频域故障诊断模型的输入为N点频域幅值信号，输出为类别概率向量
Figure BDA0003448356220000023
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
于本发明的一实施例中，所述将所述时域振动数据转化为二维时频图包括：对划分出的时域振动信号样本进行连续小波变换，提取振动信号时频域信息，得到样本二维时频图。
于本发明的一实施例中，所述时频域故障诊断模型的输入为二维灰度图，输出为类别概率向量
Figure BDA0003448356220000024
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
于本发明的一实施例中，多流卷积神经网络的模型输出为：
Figure BDA0003448356220000025
其中，
Figure BDA0003448356220000026
为时域故障诊断模型的输出，
Figure BDA0003448356220000027
为频域故障诊断模型的输出，
Figure BDA0003448356220000028
为时频域故障诊断模型的输出，ω1、ω2和ω3分别为所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型的权重系数，根据分类准确度进行配比。
为实现上述目的及其他相关目的，本发明还提供一种电子设备，包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如上所述的基于振动信号的滚动轴承故障诊断方法的步骤。
如上所述，本发明的基于振动信号的滚动轴承故障诊断方法及电子设备具有以下有益效果：
本发明通过采集不同种类的故障轴承振动数据，基于多流卷积神经网络构建故障诊断模型，实现滚动轴承的故障分类，提高了故障分类的准确率和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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显示为本申请一实施例中的基于振动信号的滚动轴承故障诊断方法的整体流程示意图。
图2显示为本申请一实施例中的不同故障类型的时域振动信号图。
图3显示为本申请一实施例中的时域故障诊断模型图。
图4显示为本申请一实施例中的不同故障类型的频谱幅值信号图。
图5显示为本申请一实施例中的频域故障诊断模型图。
图6显示为本申请一实施例中的不同故障类型的二维时频图。
图7显示为本申请一实施例中的时频域故障诊断模型图。
图8显示为本申请一实施例中的多流卷积神经网络故障诊断模型图。
图9显示为本申请一实施例中的电子设备的原理框图。
元件标号说明
101 电子设备
1001 处理器
1002 存储器
S100～S500 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员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与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本实施例的目的在于提供一种基于振动信号的滚动轴承故障诊断方法及电子设备，用于解决现有故障诊断研究中难以综合利用时域、频域和时频域特征进行高精确率诊断的问题。
以下将详细阐述本发明的基于振动信号的滚动轴承故障诊断方法及电子设备的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的基于振动信号的滚动轴承故障诊断方法及电子设备。
实施例1
具体地，如图1所示，本实施例提供一种基于振动信号的滚动轴承故障诊断方法，所述方法包括：
步骤S100，采集滚动轴承的时域振动数据；
步骤S200，对所述时域振动数据进行分割，并基于分割后的所述时域振动数据和一维卷积神经网络构建时域故障诊断模型；
步骤S300，提取所述域振动数据中的频域信息，并基于所述频域信息和一维卷积神经网络构建频域故障诊断模型；
步骤S400，将所述时域振动数据转化为二维时频图，并基于所述二维时频图和二维卷积神经网络构建时频域故障诊断模型；
步骤S500，基于所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型构建多流卷积神经网络，基于所述多流卷积神经网络对滚动轴承的运行状态进行分类。
由上可见，本实施例提供的基于振动信号的滚动轴承故障诊断方法通过采集不同种类的故障轴承振动数据，基于多流卷积神经网络构建故障诊断模型，实现滚动轴承的故障分类。首先，基于样本划分规则分割采集到的滚动轴承振动数据，获取多个故障样本用于模型训练。然后，考虑到时域振动信号具有一定的周期性，时域故障诊断模型和频域故障诊断模型均选取擅长处理周期数据的一维卷积神经网络进行构建；基于连续小波变换转化时域振动信号为二维时频图，选取擅长处理图像数据的二维卷积神经网络构建时频域故障诊断模型。所设计的时域、频域和时频域故障诊断模型能够基于数据智能地提取不同域的特征，独立有效地利用振动信号时域、频域和时频域包含的信息对滚动轴承进行故障诊断。最后，将三种故障诊断模型进行结合，构建基于多流卷积神经网络的故障诊断模型，全面综合地利用了三个域的信息进行诊断，提高了故障分类的准确率和可靠性。
以下对本实施例的基于振动信号的滚动轴承故障诊断方法的上述步骤S100至步骤S500进行详细说明。
步骤S100，采集滚动轴承的时域振动数据；
于本实施例中，所述采集滚动轴承的时域振动数据中采集正常的以及不同类别故障的滚动轴承的时域振动数据。
于本实施例中，通过对正常轴承进行处理，获得九种不同种类(0.07、0.014和0.021英寸的内圈故障、外圈故障和球故障)的故障轴承。将故障轴承放置于测试装置上，利用加速度计采集轴承的振动数据，从而获得不同故障轴承的振动数据。
例如，于本实施例中，加速度计的采样频率为12kHz，采样时间为34s，单个样本包含的数据点数取为1024，将采集到的时域振动数据进行划分，每种故障类型包含400个样本。
步骤S200，对所述时域振动数据进行分割，并基于分割后的所述时域振动数据和一维卷积神经网络构建时域故障诊断模型。
于本实施例中，所述对所述时域振动数据进行分割包括：根据采样频率和采样时间的不同确定单个样本所包含的数据点数N，将采集到的时域振动数据进行划分，得到不同故障类型的多个样本。
于本实施例中，所述在时域故障诊断模型中，输入为N点的时域振动信号，输出为类别概率向量
Figure BDA0003448356220000051
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
基于时域振动信号构建时域故障诊断模型，模型的输入为1024点的时域振动信号，考虑到时域振动信号具有一定的周期性，时域故障诊断模型选取擅长处理周期数据的一维卷积神经网络进行构建，模型的输出为类别概率向量
Figure BDA0003448356220000052
pi表示样本属于第i类故障的概率，其中i＝0,1,2,...,8分别对应九种不同的故障类型。
按照相应的样本划分规则分割时域振动数据，基于一维卷积神经网络构建时域故障诊断模型。加速度计的采样频率为12kHz，采样时间为34s，单个样本包含的数据点数取为1024，将采集到的时域振动数据进行划分，每种故障类型包含400个样本，九种故障类型的时域振动信号如图2所示。
其中，时域故障诊断模型的输入为1024点的时域振动信号，考虑到时域振动信号具有一定的周期性，时域故障诊断模型选取擅长处理周期数据的一维卷积神经网络进行构建，模型的输出为类别概率向量
Figure BDA0003448356220000053
pi表示样本属于第i类故障的概率，其中i＝0,1,2,...,8分别对应九种不同的故障类型。模型结构如图3所示，超参数的选择见表1。
表1时域故障诊断模型超参数
名称 卷积核/池化区域尺寸 数量 输出大小 激活函数 滑动步长
输入层 - 3 1024x3 - -
卷积层-1 8 64 1024x64 ReLU 1
池化层-1 8 64 128x64 - 8
卷积层-2 4 128 128x128 ReLU 1
池化层-2 4 128 32x128 - 4
逐点拉平 - - 4096x1 - -
全连接层-1 - 64 64x1 ReLU -
输出层 - 9 9x1 Softmax -
步骤S300，提取所述域振动数据中的频域信息，并基于所述频域信息和一维卷积神经网络构建频域故障诊断模型。
于本实施例中，所述提取所述域振动数据中的频域信息包括：对划分出的时域振动信号样本进行快速傅里叶变换，得到频域幅值数据，离散傅里叶变换的公式为：
Figure BDA0003448356220000061
其中，x(n)表示单个N点时域振动信号，X(k)为其变换后的频域幅值信号。
于本实施例中，所述频域故障诊断模型的输入为N点频域幅值信号，输出为类别概率向量
Figure BDA0003448356220000062
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
基于振动信号频谱幅值构建频域故障诊断模型，首先对划分出的时域振动信号样本进行快速傅里叶变换，得到频域幅值数据，离散傅里叶变换的公式为：
Figure BDA0003448356220000063
其中x(n)表示单个1024点时域振动信号，X(k)为其变换后的频域幅值信号。考虑到离散傅里叶变换复杂度高，应用中采用快速傅里叶变换进行频域信号的提取。
频域故障诊断模型同样选取一维卷积神经网络进行构建，模型的输入为1024点频域幅值信号，模型输出为类别概率向量
Figure BDA0003448356220000064
pi表示样本属于第i类故障的概率，其中i＝0,1,2,...,8分别对应九种不同的故障类型。
于本实施例中，基于快速傅里叶变换提取时域振动数据的频域信息，基于一维卷积神经网络构建频域故障诊断模型。具体地，首先利用快速傅里叶变换将时域振动信号转化为频谱幅值信号，九种故障类型的频谱幅值信号如图4所示。然后基于一维卷积神经网络构建频域故障诊断模型，模型的输入为1024点频域幅值信号，模型输出为类别概率向量
Figure BDA0003448356220000071
pi表示样本属于第i类故障的概率，其中i＝0,1,2,...,8分别对应九种不同的故障类型。模型结构如图5所示，超参数的选择见表2。
表2频域故障诊断模型超参数
Figure BDA0003448356220000072
步骤S400，将所述时域振动数据转化为二维时频图，并基于所述二维时频图和二维卷积神经网络构建时频域故障诊断模型。
于本实施例中，所述将所述时域振动数据转化为二维时频图包括：对划分出的时域振动信号样本进行连续小波变换，提取振动信号时频域信息，得到样本二维时频图。
于本实施例中，所述时频域故障诊断模型的输入为二维灰度图，输出为类别概率向量
Figure BDA0003448356220000073
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
基于振动信号二维时频图构建时频域故障诊断模型，首先对划分出的时域振动信号样本进行连续小波变换，提取振动信号时频域信息，得到样本二维时频图。连续小波变换的公式为：
Figure BDA0003448356220000074
其中，
Figure BDA0003448356220000075
为小波基函数，故障诊断中通常选用取Morlet小波作为基函数，公式为：
Figure BDA0003448356220000076
时频域故障诊断模型选取擅长处理图像数据的二维卷积神经网络进行构建，模型的输入为二维灰度图，模型输出为类别概率向量
Figure BDA0003448356220000077
pi表示样本属于第i类故障的概率，其中i＝0,1,2,...,8分别对应九种不同的故障类型。
基于连续小波变换将时域振动数据转化为二维时频图，基于二维卷积神经网络构建时频域故障诊断模型。具体地，首先利用连续小波变换将时域振动信号转化为二维时频图，九种故障类型的时频图如图6所示。然后基于二维卷积神经网络构建时频域故障诊断模型，模型的输入为二维灰度图，模型输出为类别概率向量
Figure BDA0003448356220000081
pi表示样本属于第i类故障的概率，其中i＝0,1,2,...,8分别对应九种不同的故障类型。模型结构如图7所示，超参数的选择见表3。
表3时频域故障诊断模型超参数
Figure BDA0003448356220000082
步骤S500，基于所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型构建多流卷积神经网络，基于所述多流卷积神经网络对滚动轴承的运行状态进行分类。
于本实施例中，多流卷积神经网络的模型输出为：
Figure BDA0003448356220000083
其中，
Figure BDA0003448356220000084
为时域故障诊断模型的输出，
Figure BDA0003448356220000085
为频域故障诊断模型的输出，
Figure BDA0003448356220000086
为时频域故障诊断模型的输出，ω1、ω2和ω3分别为所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型的权重系数，根据分类准确度进行配比。
将训练后的三种故障诊断模型进行结合，构建多流卷积神经网络，综合利用振动信号的时域、频域和时频域信息对滚动轴承的运行状态进行诊断和分类。具体的结合方法为：将三种模型输出的类别概率向量
Figure BDA0003448356220000087
进行加权组合，多流卷积神经网络的模型输出为：
Figure BDA0003448356220000088
其中，
Figure BDA0003448356220000089
为时域故障诊断模型的输出，
Figure BDA00034483562200000810
为频域故障诊断模型的输出，
Figure BDA00034483562200000811
为时频域故障诊断模型的输出，ω1、ω2和ω3为三种模型的权重系数，分别取0.2、0.3和0.5。
本实施例中，基于三种故障诊断模型构建多流卷积神经网络，利用振动数据对滚动轴承的运行状态进行分类。如图8所示，将训练后的三种故障诊断模型进行结合，构建多流卷积神经网络。表4给出了与其他几种机器学习模型分类准确度的对比，可以看出本实施例所提出的方法提高了分类的准确率。
表4不同模型分类结果对比
Figure BDA0003448356220000091
综上所述，本实施例的基于振动信号的滚动轴承故障诊断方法达到以下有益效果：本发明所设计的时域、频域和时频域故障诊断模型能够基于数据智能地提取不同域的特征，独立有效地利用振动信号时域、频域和时频域包含的信息对滚动轴承进行故障诊断。将三种故障诊断模型进行结合，构建基于多流卷积神经网络的故障诊断模型，全面综合地利用了三个域的信息进行诊断，提高了故障分类的准确率和可靠性。
实施例2
如图9所示，本实施例提供一种电子设备101，所述电子设备101包括：处理器1001及存储器1002；所述存储器1002用于存储计算机程序；所述处理器1001用于执行所述存储器1002存储的计算机程序，以使所述电子设备101执行如实施例1中基于振动信号的滚动轴承故障诊断方法的步骤。由于基于振动信号的滚动轴承故障诊断方法的步骤的具体实施过程已经在实施例1中进行了详细说明，在此不再赘述。
处理器1001为(Central Processing Unit，中央处理器)。存储器1002通过系统总线与处理器1001连接并完成相互间的通信，存储器1002用于存储计算机程序，处理器1001用于运行计算机程序，以使所述处理器1001执行所述的基于振动信号的滚动轴承故障诊断方法。存储器1002可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
此外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器1001执行时实现实施例1中所述的基于振动信号的滚动轴承故障诊断方法中的步骤。实施例1已经对所述基于振动信号的滚动轴承故障诊断方法进行了详细说明，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明通过采集不同种类的故障轴承振动数据，基于多流卷积神经网络构建故障诊断模型，实现滚动轴承的故障分类，提高了故障分类的准确率和可靠性。所以，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包括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)

1.一种基于振动信号的滚动轴承故障诊断方法，其特征在于：所述方法包括：
采集滚动轴承的时域振动数据；
对所述时域振动数据进行分割，并基于分割后的所述时域振动数据和一维卷积神经网络构建时域故障诊断模型；
提取所述域振动数据中的频域信息，并基于所述频域信息和一维卷积神经网络构建频域故障诊断模型；
将所述时域振动数据转化为二维时频图，并基于所述二维时频图和二维卷积神经网络构建时频域故障诊断模型；
基于所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型构建多流卷积神经网络，基于所述多流卷积神经网络对滚动轴承的运行状态进行分类。
2.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述采集滚动轴承的时域振动数据中采集正常的以及不同类别故障的滚动轴承的时域振动数据。
3.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述对所述时域振动数据进行分割包括：
根据采样频率和采样时间的不同确定单个样本所包含的数据点数N，将采集到的时域振动数据进行划分，得到不同故障类型的多个样本。
4.根据权利要求3所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述在时域故障诊断模型中，输入为N点的时域振动信号，输出为类别概率向量
Figure FDA0003448356210000011
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
5.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述提取所述域振动数据中的频域信息包括：
对划分出的时域振动信号样本进行快速傅里叶变换，得到频域幅值数据，离散傅里叶变换的公式为：
Figure FDA0003448356210000012
其中，x(n)表示单个N点时域振动信号，X(k)为其变换后的频域幅值信号。
6.根据权利要求5所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述频域故障诊断模型的输入为N点频域幅值信号，输出为类别概率向量
Figure FDA0003448356210000021
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
7.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述将所述时域振动数据转化为二维时频图包括：对划分出的时域振动信号样本进行连续小波变换，提取振动信号时频域信息，得到样本二维时频图。
8.根据权利要求7所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述时频域故障诊断模型的输入为二维灰度图，输出为类别概率向量
Figure FDA0003448356210000022
p1,p2,...,pm分别表示样本属于第1,2,...,m类故障的概率。
9.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：多流卷积神经网络的模型输出为：
Figure FDA0003448356210000023
其中，
Figure FDA0003448356210000024
为时域故障诊断模型的输出，
Figure FDA0003448356210000025
为频域故障诊断模型的输出，
Figure FDA0003448356210000026
为时频域故障诊断模型的输出，ω1、ω2和ω3分别为所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型的权重系数，根据分类准确度进行配比。
10.一种电子设备，其特征在于：包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如权利要求1至权利要求9任一权利要求所述的基于振动信号的滚动轴承故障诊断方法的步骤。
CN202111681766.7A 2021-12-30 2021-12-30 基于振动信号的滚动轴承故障诊断方法及电子设备 Pending CN114462446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111681766.7A CN114462446A (zh) 2021-12-30 2021-12-30 基于振动信号的滚动轴承故障诊断方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111681766.7A CN114462446A (zh) 2021-12-30 2021-12-30 基于振动信号的滚动轴承故障诊断方法及电子设备

Publications (1)

Publication Number Publication Date
CN114462446A true CN114462446A (zh) 2022-05-10

Family

ID=81408320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111681766.7A Pending CN114462446A (zh) 2021-12-30 2021-12-30 基于振动信号的滚动轴承故障诊断方法及电子设备

Country Status (1)

Country Link
CN (1) CN114462446A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143128A (zh) * 2022-06-28 2022-10-04 浙江石水泵业科技有限公司 小型潜水电泵的故障诊断方法及其系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143128A (zh) * 2022-06-28 2022-10-04 浙江石水泵业科技有限公司 小型潜水电泵的故障诊断方法及其系统

Similar Documents

Publication Publication Date Title
Youcef Khodja et al. Rolling element bearing fault diagnosis for rotating machinery using vibration spectrum imaging and convolutional neural networks
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
Kaya et al. Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters
CN113008559B (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN112633098B (zh) 一种旋转机械故障诊断方法、系统及存储介质
Wang et al. Intelligent diagnosis method for a centrifugal pump using features of vibration signals
Zabin et al. Hybrid deep transfer learning architecture for industrial fault diagnosis using Hilbert transform and DCNN–LSTM
CN113723489A (zh) 一种改进关系网络的滚动轴承故障识别方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
Li et al. A fault diagnosis method for rotating machinery with semi-supervised graph convolutional network and images converted from vibration signals
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
CN112734001A (zh) 一种基于阶次谱迁移的风电传动链智能故障诊断方法
Sun et al. A fault mechanism-based model for bearing fault diagnosis under non-stationary conditions without target condition samples
Shang et al. A Domain Adversarial Transfer Model with Inception and Attention Network for Rolling Bearing Fault Diagnosis Under Variable Operating Conditions
Zhang et al. Multi‐attribute quantitative bearing fault diagnosis based on convolutional neural network
CN113673442A (zh) 一种基于半监督单分类网络的变工况故障检测方法
Xiang et al. An Intelligent Fault Diagnosis Method of Rolling Bearing with Wide Convolution Kernel Network
CN114548153B (zh) 基于残差-胶囊网络的行星齿轮箱故障诊断方法
Zhang et al. A novel sparse enhancement neural network for rolling bearing fault diagnosis
CN117708574B (zh) 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法
CN113887136B (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN113312719B (zh) 基于类别不平衡权重交叉熵的旋转机械故障诊断方法
CN117390411A (zh) 基于元迁移学习的变工况轴承故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination