[发明专利]一种滚动轴承故障诊断方法

权利要求书

1.一种滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤：

S1.取10个同样型号的滚动轴承，其中1个轴承无故障，另外9个轴承分别用电火花加工技术设置一种故障，9种故障分别为：外圈轻微故障、中度故障、严重故障，内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障；

S2.在实验台上，对每个轴承都在同一转速下用振动传感器采集其振动信号；

S3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签；

S4.建立多任务卷积神经网络模型，其输入为轴承的振动信号，输出为故障标签，用步骤S2中得到的振动信号对多任务卷积神经网络模型进行训练；

S5.在步骤S2中的实验台和转速下，采集待诊断滚动轴承的振动信号；

S6.将步骤S5中测量得到的振动信号输入步骤S4训练后的多任务卷积神经网络模型中，获得待诊断滚动轴承的故障标签；

S7.将步骤S6获得的故障标签解读为待诊断轴承的故障类型和严重程度。

2.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：步骤S1所述故障严重程度根据划痕的直径来确定：无划痕为无故障；0划痕直径0.15mm为轻微故障；0.15≤划痕直径0.3mm为中度故障；划痕直径≥0.3mm为严重故障。

3.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：步骤S3中的故障标签为长度为8位的向量，每一位的取值为0或1，取1表示“是”，取0表示“否”。标签的前4位表示故障类型，分别为无故障、外圈故障、内圈故障和滚珠故障；标签的后4位表示故障严重程度，分别为无故障、轻微故障、中度故障和严重故障。

4.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：步骤S4中所述多任务卷积神经网络模型，通过共享卷积网络层，增加Sigmoid多标签分类层，Sigmoid多标签分类层共分为8类，每一类与步骤S3中所述故障标签一一对应。