[发明专利]基于迁移学习振动信号图像识别的轴承故障诊断方法

说明书

本发明涉及基于迁移学习振动信号图像识别的轴承故障诊断方法，包含步骤：首先采集轴承振动信号；对轴承振动信号进行预处理得到轴承振动信号图像数据；将多个轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；利用轴承振动信号图像样本数据集，采用BP算法对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；利用适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。本发明无需大量次数训练，即可达到较高的准确率；单次训练计算的时间需求大幅降低，进一步则降低了计算耗时。

技术领域

本发明涉及轴承状态监测和故障诊断技术领域，具体地涉及基于迁移学习振动信号图像识别的轴承故障诊断方法。

背景技术

在各种旋转机械设备中，如电动泵中，轴承往往是其中的一个关键部件，也是容易出故障的部件，其技术状态的好坏往往会影响到整个设备的可用性和安全性。因此，人们对轴承的故障诊断进行了大量研究，主要方法途径有：振动分析法、温度分析法、声学分析法和油样分析法等。其中振动分析法是最主流的分析方法，具有信号获取简便、包含丰富故障信息的优势。目前的研究热点是从振动信号中提取出能够反映轴承故障模式并且对噪声不敏感的特征，从而对其故障进行诊断。

轴承在不同状态时，其振动信号的时域波形、频谱、包络谱等图形往往具有不同的特征。工程人员在进行轴承的故障判定时，一个重要的途径就是观察轴承运转时这些图形，分析其具有的特征。这一过程难以实时在线进行，且其判定结果极大地依赖于人的专业水平的经验。

近年来，随着图像识别技术日趋成熟，也有将图像识别技术应用在轴承的故障诊断中的解决方案，现有技术的基本原理都是利用计算机自动识别振动信号图像所对应的故障状态，从而实现对轴承故障的自动判定，可以不需要人工干预，是一种可行有效的技术途径。但现有技术的缺陷在于：

1.需要数量巨大的样本进行训练，才能达到较高的准确率；

2.单次训练计算量需求很大，导致耗时很长。

上述两个缺陷综合起来，即现有技术要达到较高的故障识别准确率，需要耗费的时间和计算成本是很高昂的，限制了技术的发展和应用推广。

发明内容

本发明针对上述问题，提供基于迁移学习振动信号图像识别的轴承故障诊断方法，其目的在于降低模型所需训练次数和单次训练所需计算时间。

为解决上述问题，本发明提供的技术方案为：

基于迁移学习振动信号图像识别的轴承故障诊断方法，包含以下步骤：

首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；

然后利用所述轴承振动信号图像样本数据集，采用BP算法对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；

然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断；

每次采集所述轴承振动信号时的采样频率一致；每次采集所述轴承振动信号时的采样数据的个数一致；

所述轴承振动信号图像数据的分辨率为800*600；每个所述轴承振动信号图像数据的坐标尺度都一致；