[发明专利]基于SPA-图谱与ResNet相结合的滚动轴承故障识别方法

权利要求书

1.一种基于SPA-图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于包括以下步骤：

S1 对滚动轴承故障振动信号进行采样处理，得到若干信号样本，每个信号样本应包含m²个信号采样点数，m为彩色图谱边长；

S2 将获取的每个滚动轴承信号样本采用SPA方法分解为趋势项和去趋势项；

S3 对于每个信号样本，基于信号样本原始项及相应的趋势项和去趋势项构建彩色图三通道矩阵，得到相应的彩色图谱；本步骤包括以下分步骤：

S31 原始信号处理，首先将信号样本原始信号转化为原始项基础矩阵，然后对原始项基础矩阵进行归一化处理得到原始项归一化矩阵；

具体为：将信号样本原始信号按照公式（12）转化为原始项基础矩阵Original basismatrix，OBM：

（12）；

OBM(j,k)表示信号样本原始项的基础矩阵第j行第k列的矩阵元素； j=1,2，…，m；k=1,2，…，m；L表示原始信号；

然后按照公式（13），由单个样本的最大值和最小值得到原始项归一化矩阵Originalnormalized matrix，ONM：

（13）；

ONM(j,k)表示信号样本原始项的归一化矩阵第j行第k列的矩阵元素；Max_j,k（OBM(j,k)）表示当前单个信号样本原始项基础矩阵中最大值；Min_j,k（OBM(j,k)）表示当前单个信号样本原始项基础矩阵中最小值；

S32 趋势项信号处理，首先将趋势项信号转化为趋势项基础矩阵，然后对趋势项基础矩阵进行归一化处理得到趋势项归一化矩阵；

具体为：将步骤S2得到的趋势项信号按照以下公式转化为趋势项基础矩阵Trendbasis matrix，TBM：

（14）；

TBM(j,k)表示信号样本趋势项的基础矩阵第j行第k列的矩阵元素；j=1,2，…，m；k=1,2，…，m；

然后按照公式（15），由单个样本的最大值和最小值得到趋势项归一化矩阵Trendnormalized matrix，TNM：

（15）；

TNM_i(j,k)表示信号样本趋势项的归一化矩阵第j行第k列的矩阵元素；Max_j,k（TBM(j,k)）表示当前单个信号样本趋势项基础矩阵中最大值；Min_j,k（TBM(j,k)）表示当前单个信号样本趋势项基础矩阵中最小值；

S33 去趋势项信号处理，首先将去趋势项信号转化为去趋势项基础矩阵，然后对去趋势项基础矩阵进行归一化处理得到去趋势项归一化矩阵；

将步骤S2得到的去趋势项信号按照以下公式转化为去趋势项基础矩阵Detrend basismatrix，DBM：

（16）；

DBM(j,k)表示去信号样本趋势项的基础矩阵第j行第k列的矩阵元素； j=1,2，…，m；k=1,2，…，m；

然后按照公式（17），由单个样本的最大值和最小值得到去趋势项归一化矩阵Dtrendnormalized matrix，DNM：

（17）；

DNM(j,k)表示去信号样本趋势项的归一化矩阵第j行第k列的矩阵元素；Max_j,k（DBM(j,k)）表示当前单个信号样本去趋势项基础矩阵中最大值，Min_j,k（DBM(j,k)）表示当前单个信号样本去趋势项基础矩阵中最小值；

S34 构建彩色图谱中三通道矩阵，将原始项归一化矩阵、趋势项归一化矩阵和去趋势项归一化矩阵转换成彩色图三通道值，得到相应的彩色图谱；

S4 将得到的彩色图谱输入到训练好的ResNet网络模型中，确定滚动轴承故障类别。