[发明专利]基于FFT和全连接层-SVM的滚动轴承故障诊断方法

说明书

本发明公开了基于FFT和全连接层‑SVM的滚动轴承故障诊断方法，包括滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号的提取、变换、归一化等过程；本滚动轴承故障检测方法在对滚动轴承进行检测时，不依赖于卷积神经网络，只需要训练SVM分类器和全连接层即可完成，而且分类器的参数不需要算法进行优化，可以提高模型的训练速度和分类准确率；同时本发明所述方法只有一层全连接层，不需要卷积神经网络的卷积核运算，使得其参数优化时间大为减少，实验结果证明，本发明所述方法测得滚动轴承的故障的准确率达到100％，检测时间缩短80％以上，具有分类精度高，故障诊断速度快的特点。

技术领域

本发明属于故障诊断技术领域，具体涉及基于FFT和全连接层-SVM的滚动轴承故障诊断方法。

背景技术

现代工业生产对生产节奏要求非常紧密，一旦机械设备出现故障，就将扰乱生产流程，造成巨大经济损失甚至是人员伤亡；如今大规模生产更加依赖于高可靠性的生产加工设备，机械故障诊断成为一门日新月异的工程技术；

滚动轴承不但在生产中应用广泛，滚动轴承也是机械设备中的易损件，根据统计数据，旋转机械中故障大概有30％是滚动轴承失效产生；使用故障诊断技术后，机械设备发生故障的几率能够极大的降低，维修费用比之前少25％-50％；由于滚动轴承的寿命较长，根据国家标准，作为标准件有90％的可靠度阈值，就算是一样的材料在同一台机器上采用相同的工艺生产出同一批次轴承，它的寿命也都不一样；通常在现实当中依据设计的疲劳寿命进行定期检查修理，就有极大的几率损坏设备，出现经济损失；

而目前在企业实践，如果是不重要场合的滚动轴承，主要靠工程技术人员的经验通过触觉，听觉判断轴承的运行过程是否出现故障；在比较重要的场合，需要定期拆装检查轴承的运行情况，但是不能做到及时有效的预估故障状态；目前轴承故障缺陷的检测算法主要集中在传统的利用时域频域信号作为信号输入特征，再利用机器学习或者深度学习方法进行分类，准确率较高，但是，其并没有达到符合核心零部件工业检测应用的情况；同时目前轴承故障缺陷的检测算法消耗的时间比较长，模型收敛速度太慢。

发明内容

针对上述存在的问题，本发明旨在提供基于FFT和全连接层-SVM的滚动轴承故障诊断方法，包括滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号的提取、变换、归一化等过程；不依赖于卷积神经网络，只需要训练全连接层和SVM分类器即可完成，而且分类器的参数不需要人工进行优化，可以提高模型的训练速度和判断分类速度；同时不需要卷积神经网络的卷积核运算，只有一层全连接层，使得其参数优化时间大为减少，具有分类精度高，故障诊断速度快的特点。

为了实现上述目的，本发明所采用的技术方案如下：

基于FFT和全连接层-SVM的滚动轴承故障诊断方法，包括以下步骤：

步骤S1：使用加速度传感器检测滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号，得到包含正常和多个故障状态的振动信号的样本数据集，然后将样本数据集按照6:4的数据比例划分为训练数据集和测试数据集；

步骤S2：将训练数据集和测试数据集中的振动信号数据进行快速傅里叶变换，实现将原有训练数据集和测试数据集中振动信号的时域振动信号变换得到训练数据集和测试数据集的1024维频域信号；

步骤S3：对步骤二得到的训练数据集和测试数据集的频域信号取绝对值，并带入归一化公式进行归一化处理，得到初步提取的振动信号的频域信号；

步骤S4：将归一化处理后的训练数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到训练数据集的10维频域故障特征，将这10维频域故障特征输入到高斯基核函数SVM模型中，自适应的选择最优特征并进行故障诊断模型的训练，得到训练好的高斯基核函数SVM模型；