[发明专利]基于EMD和残差神经网络的滚动轴承故障诊断方法

说明书

本发明涉及一种基于EMD和残差神经网络的滚动轴承故障诊断方法，采集滚动轴承的多组原始振动数据，并将数据分为训练集和验证集；对训练集的每一组原始振动数据进行EMD分解，得到各个模态分量，将各个模态分量组合，得到二维特征图；将二维特征图输入到残差神经网络模型进行训练，并利用验证集调整出残差神经网络模型的超参数，形成训练后的残差神经网络模型；将滚动轴承的二维特征图输入到训练后的残差神经网络模型，输出故障诊断结果。本发明不需要复杂的统计学习过程，也不需要对轴承信息特殊的预处理，特征提取的过程比较便利；残差神经网络模型的搭建简单，训练速度快，分类准确率和召回率高。

技术领域

本发明涉及数控技术领域，具体地说是一种基于EMD和残差神经网络的滚动轴承故障诊断方法。

背景技术

滚动轴承是各类旋转机械中的通用易损部件。据统计,旋转机械故障有30％是由轴承故障引起的,轴承的健康状态与机械能否正常运行息息相关,因此检测和诊断滚动轴承故障和故障位置十分重要。

滚动轴承的故障诊断被国内外众多学者所研究，提出了众多的方法。一般的思路是，提取原始振动信号的特征，然后将特征向量作为输入通过各种分类器进行分类识别。

常见的特征提取方法有经验小波变换(EMT)、快速傅里叶变换(IMF)、局部均值分解(EMD)等，但由于故障信号的非平稳性，非线性，提取的特征存在冗余和干扰特征，常见的分类器包括SVM，BP神经网络，但这种浅层结构的分类器的分类准确度不高。

发明内容

针对现有技术的不足，本发明提供一种基于EMD和残差神经网络的滚动轴承故障诊断方法，不需要复杂的统计学习过程，也不需要对轴承信息特殊的预处理，提高了故障诊断的实时性和普适性。

本发明为实现上述目的所采用的技术方案是：

一种基于EMD和残差神经网络的滚动轴承故障诊断方法，包括：

步骤1：采集滚动轴承的多组原始振动数据，并将数据分为训练集和验证集；

步骤2：对训练集的每一组原始振动数据进行EMD分解，得到各个模态分量，将各个模态分量组合，得到二维特征图；

步骤3：将二维特征图输入到残差神经网络模型进行训练，并利用验证集调整出残差神经网络模型的超参数，形成训练后的残差神经网络模型；

步骤4：将滚动轴承的二维特征图输入到训练后的残差神经网络模型，输出故障诊断结果。

滚动轴承的原始振动数据包括滚动轴承正常以及若干种故障的原始振动数据。

所述二维特征图表示为：h*(m+1)矩阵；其中，h为故障部件的信号长度、m为模态函数分量的个数。

所述残差神经网络模型，包括：第一卷积层、第二卷积层、第一池化层、第二池化层、参差块、全连接层和输出层。

所述将二维特征图输入到残差神经网络模型进行训练，包括：

步骤3.1：将二维特征图的数据输入到第一卷积层中，第一卷积层输出的结果经过relu激励函数激励后，接入第一池化层；

步骤3.2：将第一池化层的输出结果输入到残差块；

步骤3.3：将残差块的输出结果输入到第二池化层，将第二池化层的输出结果输入到全连接层；

步骤3.4：将全连接层的输出结果输入到输出层，由输出层输出结果；

步骤3.5：通过损失函数计算输出结果与真实结果之间的损失，根据自适应矩估计Adam的梯度优化方法进行反馈，训练出残差神经网络模型的参数。

所述输出层的激励函数为softmax函数。

所述残差块为：