[发明专利]一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法

权利要求书

1.一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，所述方法包括：

(1)数据分割与扩充：根据采样频率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始振动数据进行分割；采用重叠抽样的方法进行数据扩充，以增加样本数量；其中，所述原始振动数据是指从轴承试验台上利用加速度计采集的振动加速度信号，包含健康轴承及各种故障轴承的数据；

(2)使用快速谱峭度图算法将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像；

(3)数据集的建立：对生成的谱峭度图进行压缩并分组，建立数据集；

(4)基于深度残差学习的故障诊断：构建深度残差网络，并利用数据集训练所述深度残差网络，赋予所述深度残差网络具有轴承健康状态诊断能力，即得到训练完成的轴承健康状态分类模型，然后利用训练后的深度残差网络对变工况下的轴承健康状态进行诊断；轴承健康状态包括正常及多种严重程度的多个类型的故障；

在步骤(2)中，使用快速谱峭度图算法将振动加速度信号转换成谱峭度图，将快速谱峭度图算法作为特征提取方法，在进行特征提取时，将谱峭度图整体作为信号中提取的特征，以使提取的特征基本不受噪声干扰，且同一故障在不同运行条件下的谱峭度图具有高相似性。

2.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，在步骤(1)中，在确定样本容量时，确保在最低转速下样本包含至少10个完整旋转周期的数据，以确保样本的完整性和代表性。

3.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，步骤(3)中，谱峭度图压缩方法为：将每个样本生成的谱峭度图压缩为32*32像素的图片，在充分保留原谱峭度图完整信息的基础上降低数据量，以节约网络训练时间，减小训练计算量，降低对计算机的算力要求。

4.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，步骤(3)中，完成谱峭度图的生成及压缩后，按照数据所对应的轴承健康状态、工况进行分组，制成数据集。

5.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，步骤(4)基于深度残差学习的故障诊断中，在深度残差网络的最后一层中采用Softmax函数：

式中，v_i是上一层的输出，i表示类别索引，K代表轴承健康状态的类别数量，Softmax函数将多分类的输出值通过比值的方式转化为P_i，P_i是一个取值范围为(0,1)的数，由此P_i能够视为一个相对概率，代表推断是轴承健康状态的相对概率。