CN114563186A - 滚动轴承类不平衡故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种滚动轴承类不平衡故障诊断方法，包括对少数类故障样本进行变参数时频分析，对多数类正常样本进行单一参数时频分析，得到类平衡的时频特征数据集；利用时频注意力机制网络模型进行特征增强处理，得到时频特征增强数据集；构建故障诊断模型；利用时频特征增强数据集对构建的故障诊断模型进行训练，得到训练好的故障诊断模型；对未知健康状态的轴承振动信号进行单一参数时频分析，利用故障诊断模型得到轴承的健康状态。扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，且大大提高轴承类不平衡故障诊断的准确率。

Description

滚动轴承类不平衡故障诊断方法及系统

技术领域

本发明涉及轴承故障诊断技术领域，尤其是指一种滚动轴承类不平衡故障诊断方法及系统。

背景技术

滚动轴承是各类旋转机械中最常用的通用零部件，也是最易损耗的零部件之一。由于旋转机械运行工况复杂，且轴承长期在重载荷和高速下工作，极易发生故障。因此对轴承的健康状态进行监测，及时准确地诊断故障，并尽早处理，可以避免重大经济损失及安全事故的发生，其有着重要的现实意义。当前，深度学习在滚动轴承故障诊断中具有广泛的应用，但是传统的深度学习方法在实际的轴承故障诊断应用时还存在一些亟需解决的问题。

首先，深度学习模型需要大量平衡的轴承状态历史数据来训练。在工程实践中，轴承正常状态数据量常远远大于故障状态数据量，这就出现了类不平衡问题，给故障诊断模型的训练带来了挑战。数量较少的样本所包含的特征过少，模型就会很难学习其数据分布规律，并且会过度依赖有限的数据样本，从而导致过拟合问题，使得模型对轴承少样本的故障状态的识别准确率不高。其次，深度学习模型对清晰的特征敏感，易受噪声的干扰。在工程实践中，机械设备运行时会产生大量振动噪声，采集的轴承振动数据会受到噪声干扰，导致轴承故障冲击信息不够明显，从而使深度学习模型不能准确学习到轴承故障状态特征。因此，如何在类不平衡和噪声干扰下提升故障诊断模型的性能，是深度学习应用到轴承故障诊断工程实践中的关键。

在类不平衡故障诊断中，常采用数据增强方法，其通过有限的少数类数据样本产生充足的生成样本使数据集达到平衡。常用的数据增强方法分为单样本数据增强和多样本数据增强，前者包括图像几何变换、图像颜色变换等，后者包括合成少数类过采样技术(SMOTE)、生成对抗网络(GAN)、辅助分类生成对抗网络(ACGAN)等。但是在数据增强方法中，单样本数据增强方法得到的生成样本与原样本的差异较大，强制对增强样本和原样本之间施加“标签不变性”约束可能会损害模型性能。此外，图像几何变换对于有方向信息的分类不适用，图像颜色变换对于色彩信息很重要的分类不适用。在多样本数据增强方法中，SMOTE算法具有两方面的局限性，一是近邻选择存在一定的盲目性，二是无法学习少数类的数据分布，容易产生分布边缘化问题。GAN和ACGAN通过构建模型来生成少数类样本，其模型训练的稳定性较差，需要较高的计算量和计算时间。总的来说，以上数据增强方法均容易导致生成样本与原样本的数据分布差异较大，不能保证生成样本与原样本的一致性。另外，这些方法根据少量的轴承故障数据样本生成新的样本，而已有的少量样本包含的轴承故障状态信息有限，导致生成样本也缺乏多样性的状态信息，不利于故障诊断模型的训练。在噪声干扰下的故障特征提取中，常采用时频分析方法滤除噪声，比如小波变换(WT)、经验模态分解(EMD)、变分模态分解(VMD)等。这些方法通过先进的信号处理技术提取轴承故障的显著时频特征，滤除故障特征频带以外的噪声。但是在基于时频分析的轴承故障特征提取方法中，需要优化相应方法的参数来提取最优的时频状态特征，然而参数的优化过程不能与深度学习模型的训练同时进行，无法实现端到端的轴承故障诊断，而且最优参数下的时频模式只体现了一种轴承故障状态信息，忽略了其它形式的状态信息。此外，该类方法虽然能够有效地滤除故障频带以外的噪声，但是故障频带以内的噪声没有去除。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种滚动轴承类不平衡故障诊断方法及系统，其扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，而且时频特征提取能够与故障诊断模型训练融为一体，大大提高了轴承类不平衡故障诊断的准确率。

为解决上述技术问题，本发明提供一种滚动轴承类不平衡故障诊断方法，包括以下步骤：

S10：对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；

S20：设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；

S30：搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；

S40：利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；

S50：对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。

在本发明的一个实施例中，在S10中，对在故障状态下获取的少数类故障样本进行变参数时频分析，包括：

采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。

在本发明的一个实施例中，在S10中，对在正常状态下获取的多数类正常样本进行单个参数时频分析，包括：

采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。

在本发明的一个实施例中，在S20中，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，包括：

利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。

在本发明的一个实施例中，S10中的单个参数时频分析的方法和S50中的单个参数时频分析的方法相同。

在本发明的一个实施例中，在S40中，模型训练方法包括自适应矩估计算法、随机梯度下降法以及均方根传递算法。

此外，本发明还提供一种滚动轴承类不平衡故障诊断系统，包括：

数据增强模块，所述数据增强模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；

特征增强模块，所述特征增强模块用于设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；

故障诊断模型构建模块，所述故障诊断模型构建模块用于搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；

模型训练模块，所述模型训练模块用于利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；

故障诊断模块，所述故障诊断模块用于对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。

在本发明的一个实施例中，所述数据增强模块包括：

故障样本数据增强子模块，所述故障样本数据增强子模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析，采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。

在本发明的一个实施例中，所述数据增强模块包括：

正常样本时频分析子模块，所述正常样本时频分析子模块用于对在正常状态下获取的多数类正常样本进行单个参数时频分析，采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。

在本发明的一个实施例中，所述特征增强模块包括：

时频特征增强子模块，所述时频特征增强子模块用于利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。

本发明的上述技术方案相比现有技术具有以下优点：

本发明利用不同参数下的时频分析方法来扩充少数类故障样本的数据量，考虑了轴承故障不同时频模式的状态信息，同一故障类型的各时频特征之间具有故障发生时间中心和所处频带中心的一致性，以及时频状态特征的多样性；利用时频注意力机制分别增强时间轴和频率轴上的时频状态特征，有效滤除了时频特征中的噪声，该时频特征提取方法可以嵌入在故障诊断模型的训练中，实现端到端的轴承故障诊断。并且扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，而且时频特征提取能够与故障诊断模型训练融为一体，大大提高了轴承类不平衡故障诊断的准确率。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。

图1为本发明实施例公开的滚动轴承类不平衡故障诊断方法的流程图。

图2为本发明实施例中基于变参时频分析的数据增强示意图。

图3为本发明实施例中时频注意力机制网络模型示意图。

图4为本发明实施例中深度学习网络模型示意图。

图5为本发明实施例中训练好的故障诊断模型里时频注意力机制网络模型前后的各故障状态时频特征图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

请参阅图1所示，本实施例提供一种滚动轴承类不平衡故障诊断方法，包括以下步骤：

S10：对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；

S20：设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；

S30：搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；

S40：利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；

S50：对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。

其中，在S10中，时频分析是可以把时间序列信号变换到时频域的方法，其包括但不限于小波变换(WT)、短时傅里叶变换(STFT)、维格纳-威利分布(WVD)。

具体地，对在故障状态下获取的少数类故障样本进行变参数时频分析包括采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同；对在正常状态下获取的多数类正常样本进行单个参数时频分析包括采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。上述时频特征的时间范围和频率范围均保持一致，时频特征的尺寸保持一致。

其中，在S20中，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理包括利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。

上述时频注意力机制网络模型由人工神经网络构造，包括但不限于全连接神经网络、卷积神经网络、深度置信网络、深度残差网络、自编码器、循环神经网络、回归神经网络、受限玻尔兹曼机以及生成对抗网络。

其中，在S30中，深度学习网络模型由人工神经网络构造，包括但不限于全连接神经网络、卷积神经网络、深度置信网络、深度残差网络、自编码器、循环神经网络、回归神经网络、受限玻尔兹曼机、生成对抗网络。

其中，在S40中，模型训练方法包括但不限于自适应矩估计算法(Adam)、随机梯度下降法(SGD)、均方根传递算法(RmsPorp)。

其中，S10中的单个参数时频分析的方法和S50中的单个参数时频分析的方法相同。

本发明利用不同参数下的时频分析方法来扩充少数类故障样本的数据量，考虑了轴承故障不同时频模式的状态信息，同一故障类型的各时频特征之间具有故障发生时间中心和所处频带中心的一致性，以及时频状态特征的多样性；利用时频注意力机制分别增强时间轴和频率轴上的时频状态特征，有效滤除了时频特征中的噪声，该时频特征提取方法可以嵌入在故障诊断模型的训练中，实现端到端的轴承故障诊断。并且扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，而且时频特征提取能够与故障诊断模型训练融为一体，大大提高了轴承类不平衡故障诊断的准确率。

为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明。

采用轮对轴承试验台采集不同健康状态下的轮对轴承振动数据。试验台用一个感应电机通过电机皮带驱动一个小轮对转动，两个液压缸通过两个轮对轴承分别在小轮对的两边添加径向载荷，轮对轴承的轴承座底部固定在试验台的基座上，它的上部可以围绕底部基座固定点自由地做圆周运动，从而使小轮对的径向载荷传递到与之平行的大轮对上，大论对的两个轮子与小轮对的两个轮子接触转动，其两端轮对轴承的轴承座固定在基座上且不可转动。小轮对一侧的轮对轴承是被测试的轴承，该轴承型号为NF210EM，转速为1739.13～1757.43RPM，采样频率为32kHz，其健康状况包括正常状态(NO)、内圈故障状态(IF)、滚动体故障状态(BF)和外圈故障状态(OF)。

将振动数据集分为训练集和测试集，设置训练集中正常样本和每类故障样本的数据量比例为100：1，数据集信息如表1所示。

表1：轮对轴承振动数据集信息

采用本发明公开的方法对上述不同健康状态的轮对轴承进行故障诊断，具体步骤如下。

步骤(1)、数据增强。采用小波变换对各数据样本进行时频分析，母小波为复Morlet小波，它有两个参数：中心频率和带宽。在本实施例中，中心频率参数固定为1。对于训练集中的每个故障样本，带宽参数从区间[1,3]中均匀选择100个值，使每个故障类型都可以获得600个时频特征，如图2所示；对于训练集中的正常样本，带宽参数固定为2，使正常状态类型获得600个时频特征；对于测试集中的样本，带宽参数固定为2，每个样本生成一个时频特征。所有时频特征的大小均调整为64×64。训练集中每种类型的600个时频特征构成平衡的时频特征数据集，用于故障诊断模型的训练。

步骤(2)、特征增强。图3是本发明实施例中时频注意力机制网络模块示意图，它由频率注意力模块和时间注意力模块组成。频率注意力模块包括一个卷积层和一个平均池化层，平均池化层将时间维度减少到1，再通过激活函数sigmoid，将激发后的特征映射到[0,1]区间，作为时频特征中各频带信息的权重；时间注意力模块也包括一个卷积层和一个平均池化层，平均池化层将频率维度减少到1，再通过激活函数sigmoid，将激发后的特征映射到[0,1]区间，作为时频特征中各时间信息的权重。

步骤(3)、故障诊断模型的构建。首先搭建深度学习网络模型，如图4所示。该模型由两个卷积层、两个池化层和一个全连接层组成，每层的特征尺寸列于图4中。将图3所示的时频注意力机制网络模块嵌入在图4所示的网络模型中，即把图3模型的输出作为图4模型的输入，从而构建故障诊断模型。

步骤(4)、模型训练。采用平衡的时频特征数据集对构建的故障诊断模型进行有监督式训练，训练方法为自适应矩估计算法(Adam)，损失函数为交叉熵损失函数，学习率为0.001，迭代为50次。

步骤(5)、故障诊断。对测试集中的各样本进行小波变换，并调整时频特征尺寸为64×64，然后输入到训练好的故障诊断模型中。图5给出了训练好的故障诊断模型里时频注意力机制网络模块前后的各故障状态时频特征图，可以看出本发明方法提出的时频注意力机制可以准确增强故障状态的时频特征，有效去除故障频带内、外噪声。进一步将增强的时频特征输入到深度学习网络模型中，可以得到各样本的健康状态类别。通过与各样本的真实健康状态类别进行对比可以知道本发明方法对测试集各样本的故障诊断准确性，计算轴承故障诊断的准确率，最终结果列于表2中。本发明方法可以获得高达98.96％的故障诊断准确率，说明本发明方法提出的类不平衡故障诊断模型具有很高的性能。

为了证明本发明方法的优越性，表2也给出了三种对比方法的结果。其中，对比方法1没有数据增强和特征增强，而是对样本进行单个参数的小波变换后直接输入到图4所示的网络模型中；对比方法2只进行数据增强，不进行特征增强；对比方法3不进行数据增强，只进行特征增强。表2中所有结果均为训练十次得到的测试集准确率的平均值。

表2：本发明方法与其它方法的故障诊断准确率结果对比

方法	对比方法1	对比方法2	对比方法3	本发明方法
					准确率	93.89％	96.92％	97.10％	98.96％

从表2可以看出，没有数据增强和特征增强的对比方法1的故障诊断准确率最低，单独采用数据增强和特征增强均可以提升故障诊断准确率，而同时采用数据增强和特征增强可以获得最高的故障诊断准确率。这证明本发明提出的数据增强和特征增强方法对故障诊断模型性能具有提升效果。

综上所述，通过对少数类故障样本进行变参时频分析，可以获得充足的故障状态时频特征，从而使训练数据集达到平衡，且同一故障类型的变参时频特征之间具有一致性和多样性；时频注意力机制网络模块可以增强故障状态信息，同时滤除故障频带内、外的噪声，增强故障状态时频特征。本发明方法提出的数据增强和特征增强方法均有利于滚动轴承故障诊断准确率的提升。此外，特征增强方法可以嵌入在深度学习网络模型中，实现端到端的轴承故障诊断，对滚动轴承故障诊断具有重要的理论和实用价值。

实施例二

下面对本发明实施例二公开的一种滚动轴承类不平衡故障诊断系统进行介绍，下文描述的一种滚动轴承类不平衡故障诊断系统与上文描述的一种滚动轴承类不平衡故障诊断方法可相互对应参照。

本发明实施例二公开了一种滚动轴承类不平衡故障诊断系统，包括：

数据增强模块，所述数据增强模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；

特征增强模块，所述特征增强模块用于设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；

故障诊断模型构建模块，所述故障诊断模型构建模块用于搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；

模型训练模块，所述模型训练模块用于利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；

故障诊断模块，所述故障诊断模块用于对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。

其中，所述数据增强模块包括：

故障样本数据增强子模块，所述故障样本数据增强子模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析，采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。

其中，所述数据增强模块包括：

正常样本时频分析子模块，所述正常样本时频分析子模块用于对在正常状态下获取的多数类正常样本进行单个参数时频分析，采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。

其中，所述特征增强模块包括：

时频特征增强子模块，所述时频特征增强子模块用于利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。

本实施例的滚动轴承类不平衡故障诊断系统用于实现前述的滚动轴承类不平衡故障诊断方法，因此该系统的具体实施方式可见前文中的滚动轴承类不平衡故障诊断方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的滚动轴承类不平衡故障诊断系统用于实现前述的滚动轴承类不平衡故障诊断方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、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。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种滚动轴承类不平衡故障诊断方法，其特征在于，包括以下步骤：

S10：对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；

S20：设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；

S30：搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；

S40：利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；

S50：对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。

2.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于，在S10中，对在故障状态下获取的少数类故障样本进行变参数时频分析，包括：

采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。

3.根据权利要求2所述的滚动轴承类不平衡故障诊断方法，其特征在于，在S10中，对在正常状态下获取的多数类正常样本进行单个参数时频分析，包括：

采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。

4.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于，在S20中，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，包括：

利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。

5.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于：S10中的单个参数时频分析的方法和S50中的单个参数时频分析的方法相同。

6.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于：在S40中，模型训练方法包括自适应矩估计算法、随机梯度下降法以及均方根传递算法。

7.一种滚动轴承类不平衡故障诊断系统，其特征在于，包括：

数据增强模块，所述数据增强模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；

特征增强模块，所述特征增强模块用于设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；

故障诊断模型构建模块，所述故障诊断模型构建模块用于搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；

模型训练模块，所述模型训练模块用于利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；

故障诊断模块，所述故障诊断模块用于对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。

8.根据权利要求7所述的滚动轴承类不平衡故障诊断系统，其特征在于，所述数据增强模块包括：

故障样本数据增强子模块，所述故障样本数据增强子模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析，采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。

9.根据权利要求8所述的滚动轴承类不平衡故障诊断系统，其特征在于，所述数据增强模块包括：

正常样本时频分析子模块，所述正常样本时频分析子模块用于对在正常状态下获取的多数类正常样本进行单个参数时频分析，采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。

10.根据权利要求7所述的滚动轴承类不平衡故障诊断系统，其特征在于，所述特征增强模块包括：

时频特征增强子模块，所述时频特征增强子模块用于利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。

Images