[发明专利]一种轴承故障诊断方法及系统

权利要求书

1.一种轴承故障诊断方法，其特征在于，所述轴承故障诊断方法包括：

采集至少一种工况类型的故障轴承运行的实验数据；

依据所述实验数据构建训练集、验证集和测试集，利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

利用所述优化模型对轴承运行数据进行故障诊断。

2.根据权利要求1所述的轴承故障诊断方法，其特征在于：所述的利用验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

3.根据权利要求1所述的轴承故障诊断方法，其特征在于：从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

4.根据权利要求1所述的轴承故障诊断方法，其特征在于：所述的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

5.根据权利要求1所述的轴承故障诊断方法，其特征在于：所述的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；

利用所述训练集构建所述广义回归神经网络-柔性最大值分类模型。

6.一种轴承故障诊断系统，其特征在于：包括：

信号采集装置，采集至少一种工况类型的故障轴承运行的实验数据和轴承运行数据；

信号分析处理器，包括：

数据集构建模块，被配置为依据所述实验数据构建训练集、验证集和测试集；

模型建立模块，被配置为利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

数据训练模块，被配置为利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

故障识别模块，被配置为利用所述优化模型对所述轴承运行数据进行故障诊断。

7.根据权利要求6所述的轴承故障诊断系统，其特征在于：所述数据训练模块被配置的优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

8.根据权利要求6所述的轴承故障诊断系统，其特征在于：从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

9.根据权利要求6所述的轴承故障诊断系统，其特征在于：所述数据集构建模块被配置的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

10.根据权利要求6所述的轴承故障诊断系统，其特征在于：所述模型建立模块被配置的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；

利用所述训练集构建所述广义回归神经网络-柔性最大值分类模型。