[发明专利]一种滚动轴承细粒度故障识别方法

说明书

本发明属于自动化检测技术领域，公开了一种滚动轴承细粒度故障识别方法，包括采集滚动轴承在正常状态、各种故障类别下的振动信号；对振动信号进行样本分割处理得到样本信号；对样本信号进行多同步压缩变换得到样本图像；利用样本图像建立训练集；将训练集输入至卷积神经网络中进行迭代训练，获得训练好的故障识别模型；采集滚动轴承故障振动信号作为待识别样本，进行样本分割处理得到待识别样本信号，进行多同步压缩变换得到待识别样本图像，将待识别样本图像输入至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。本发明解决了现有技术中对滚动轴承细粒度故障的识别率较低的问题，具有识别率高、鲁棒性强的优点。

技术领域

本发明涉及自动化检测技术领域，尤其涉及一种滚动轴承细粒度故障识别方法。

背景技术

滚动轴承是旋转机械设备的重要组成部分，其健康状况的好坏直接影响着设备运行的状态。随着传感技术的发展与普及，可在线采集滚动轴承的振动数据，但是，由于滚动轴承的工作环境复杂，很难直接通过采集的振动信号判断故障类别。因此，需要借助一些信号处理技术对获取的各种故障信号进行处理。

目前常用的信号处理技术主要包括以下三种：时域分析、频域分析和时频分析。其中，时域分析可以捕获故障引起的幅度和相位调制变化；频域分析可以更容易地提取故障特征，从而检测出具有清晰边带的分布式故障；而时频分析则提供了时间域和频率域的联合分布信息，能够清楚地描述信号频率随时间变化的关系，因此应用最广。

许多专家凭借以上三种信号处理技术对故障进行识别，但识别结果主要依赖于专家的先验知识。目前，SVM、BP神经网络和KNN等算法被广泛应用于故障诊断，但是这些算法的识别效果在很大程度上依赖于提取特征的可区分性。

此外，传统的时频分析方法也存在着很多不足，不能满足复杂工作环境下的滚动轴承的故障诊断问题。例如，短时傅里叶变换的时间分辨率和频率分辨率受Heisenberg测不准原理约束，一旦窗函数选定，时频分辨率便确定下来。这就使它对突变信号和非平稳信号的分析存在局限性，因而不是一种动态的分析方法，不能敏感地反映信号的突变，只适用于对缓变信号的分析。

发明内容

本申请实施例通过提供一种滚动轴承细粒度故障识别方法，解决了现有技术中对滚动轴承细粒度故障的识别率较低的问题。

本申请实施例提供一种滚动轴承细粒度故障识别方法，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。

优选的，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。

优选的，所述步骤4中，利用所述样本图像建立训练集和测试集；