[发明专利]基于谱峭度和神经网络的滚动轴承故障分类方法及系统

权利要求书

1.一种基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，包括：

基于谱峭度对轴承故障信号进行滤波处理；

提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

对训练集进行扩充，其过程为：从梅尔特征集中随机抽取N个特征向量，按抽取的顺序依次排列，形成大小为N*M的特征图，并按梅尔特征集中抽取的向量的编号，抽取差分特征集中对应的差分特征向量，按该顺序排列形成特征图；其中，M和N均为正整数；将抽取出的N个梅尔特征向量和差分特征向量分别放回训练集；重复上述步骤，直到特征图数量达到预设值，完成训练集中特征扩充；

将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

2.如权利要求1所述的基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，基于谱峭度对轴承故障信号进行滤波处理的过程，包括：

计算轴承故障信号的谱峭度，得到一个表征信号在各个频率点上峭度值；

对谱峭度值进行阈值化并以此构建滤波器；

利用滤波器对待分类的轴承故障信号进行滤波。

3.如权利要求1所述的基于谱峭度和神经网络的滚动轴承故障分类方法，其特征在于，提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征的过程，包括：

对轴承故障信号进行有重叠的分帧及加窗处理，得到样本集；

对样本集中每一帧信号做离散傅里叶变换，得到每一帧信号的线性频谱；

将线性频率映射到梅尔频率，并通过梅尔滤波器组得到梅尔幅值谱；

对梅尔幅值谱做对数变换，得到对数幅值谱；

将上述对数幅值谱做M维离散余弦变换，得到一帧信号对应的M维梅尔倒谱系数特征，再对M维梅尔倒谱系数特征求一阶差分，得到对应的M维一阶差分特征；其中，M为正整数。

4.一种基于谱峭度和神经网络的滚动轴承故障分类系统，其特征在于，包括：

谱峭度滤波模块，其用于基于谱峭度对轴承故障信号进行滤波处理；

特征提取模块，其用于提取滤波后轴承故障信号的梅尔倒谱系数特征和差分特征，得到梅尔倒谱系数特征集和差分特征集；

训练集构建模块，其用于分别随机从梅尔倒谱系数特征集和差分特征集中抽取若干个特征，按照抽取顺序依次排列，形成由预设大小二维矩阵表示的梅尔倒谱系数特征图和差分特征图，形成训练集；

训练集扩充模块，其用于从梅尔特征集中随机抽取N个特征向量，按抽取的顺序依次排列，形成大小为N*M的特征图，并按梅尔特征集中抽取的向量的编号，抽取差分特征集中对应的差分特征向量，按该顺序排列形成特征图；其中，M和N均为正整数；将抽取出的N个梅尔特征向量和差分特征向量分别放回训练集；重复上述步骤，直到特征图数量达到预设值，完成训练集中特征扩充；

分类模型训练模块，其用于将训练集中的梅尔倒谱系数特征图和差分特征图输入至双通道卷积神经网络的对应通道并进行训练，得到滚动轴承故障分类模型；

故障分类模块，其用于利用滚动轴承故障分类模型对实时接收到的轴承故障信号进行故障分类。

5.如权利要求4所述的基于谱峭度和神经网络的滚动轴承故障分类系统，其特征在于，所述谱峭度滤波模块，包括：

谱峭度计算模块，其用于计算轴承故障信号的谱峭度，得到一个表征信号在各个频率点上峭度值；

谱峭度滤波器构建模块，其用于对谱峭度值进行阈值化并以此构建滤波器；

信号滤波模块，其用于利用滤波器对待分类的轴承故障信号进行滤波。