[发明专利]一种滚动轴承细粒度故障识别方法

权利要求书

1.一种滚动轴承细粒度故障识别方法，其特征在于，包括以下步骤：

步骤1、采集滚动轴承在正常状态、各种故障类别下的振动信号；

步骤2、对所述振动信号进行样本分割处理，得到样本信号；

步骤3、对所述样本信号进行多同步压缩变换，得到样本图像；

步骤4、利用所述样本图像建立训练集；

步骤5、将所述训练集输入至卷积神经网络中，对所述卷积神经网络进行迭代训练，获得训练好的故障识别模型；

步骤6、采集滚动轴承故障振动信号作为待识别样本，对所述待识别样本进行样本分割处理得到待识别样本信号，对所述待识别样本信号进行多同步压缩变换，得到待识别样本图像，将所述待识别样本图像输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。

2.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤4中，在建立训练集之前，对所述样本图像进行双线性插值操作，得到尺寸调整后的样本图像，并根据所述尺寸调整后的样本图像建立训练集；

所述步骤6中，将所述待识别样本图像输入至所述训练好的故障识别模型中之前，对所述待识别样本图像进行双线性插值操作，得到尺寸调整后的待识别样本图像，并将所述尺寸调整后的待识别样本图像输入至所述训练好的故障识别模型中。

3.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤4中，利用所述样本图像建立训练集和测试集；

所述步骤6中，将所述测试集输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。

4.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层；

所述第一卷积层的深度为32，所述第一是池化层的深度为32，所述第二卷积层的深度为64，所述第二池化层的深度为64，所述第一全连接层的神经元个数为3136，所述第二全连接层的神经元个数为512。

5.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络采用的激活函数为ReLU。

6.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络的损失函数包括L2正则化。

7.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络包括滑动平均模型。

8.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤5中，对所述卷积神经网络进行迭代训练时，采用均匀小批量训练方式，每次训练中采用的训练样本由每类故障样本均匀地组成。

9.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤4中，所述训练集由n个故障类别对应的训练子集构成，第i个训练子集包括第一数量的第i类故障对应的样本图像；

所述步骤5中，对所述卷积神经网络进行迭代训练时，每次训练采用的训练样本由n个故障类别对应的小批量样本组成，第i个小批量样本包括第二数量的第i类故障对应的样本图像。