[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

说明书

本发明属于机械零部件故障诊断技术领域，具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。

技术领域

本发明属于机械零部件故障诊断技术领域，具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。

背景技术

滚动轴承是旋转机械的关键部件之一，也是最易损坏的部件(40％以上的故障是由轴承引起的)。因此，实时监测轴承的健康状态，对避免意外故障具有重要意义。为了实现这一目标，现有技术围绕经典信号处理方法(如频谱分析、倒频谱分析、小波包分解)提出了许多方法，但这些方法存在共同的缺陷：对变化的工况缺乏鲁棒性。这些方法在已知的工况下，可实现实时诊断，然而在实际的工业生产中，不同的工况下工作负荷和转速往往是不同的，当工况发生变化时，缺陷特征频率也会发生变化，因此不得不调整方法以适应新的工况，而若新的工况参数未知，则难以完成诊断任务。此后，一些多工况诊断方法被陆续提出：冯志鹏等人提出了利用联合时变幅频解调谱来揭示时变故障特征频率，但该方法需要事先了解所经历的工况条件；P.Borghesani等人提出了一种新的利用包络分析诊断的新方法，但需要事先了解轴承的缺陷频率,但在实际应用中，工况变化频繁，在大多数情况下很难获得具体的工况参数，因此这些多工况诊断方法也难以应对。此外，信号中无法避免的噪声也会对诊断产生影响。

因此，理想的故障诊断算法应具有以下特点：为了实时诊断轴承的健康状态，该方法应具有较高的自动化程度；该方法应能够在噪声环境下进行诊断；该方法应能够在可变和未知的工况下进行诊断。

发明内容

针对上述技术问题，本发明提供一种基于fast kurtogram(快速谱峭度图)和深度残差学习的变工况轴承故障诊断方法，该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。

本发明是通过以下技术方案实现的：

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状态下轴承的数据；

(2)使用快速谱峭度图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；在这个过程中，冗余的原始信号被简化，瞬态信号也被突出显示出来；

(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；所述数据集包括训练集、测试集和验证集；