[发明专利]基于二维振动图像增强的轴承故障诊断方法及系统

权利要求书

1.一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，包括：

采集轴承在不同故障类别下的振动的时域信号数据；

利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；

利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像；

对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围；

对每种所述故障类别采用独热编码方式，使得每种所述故障类别对应一个标签；

构建卷积神经网络模型，将经过所述直方图均衡化处理后的数据作为所述卷积神经网络模型输入样本，并利用所述卷积神经网络模型逐层贪婪学习所述二维振动图像与所述标签之间的联系；

利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断。

2.根据权利要求1所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，所述故障类别包括正常轴承、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、滚子单点故障、滚子多点故障、外圈滚子复合型故障和内圈滚子复合型故障。

3.根据权利要求1所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，所述数据增强与扩展通过以下公式进行：其中，m为可得到的最大样本数量；N为采集到的故障信号长度；len为每个样本的采样点；η为重叠率，范围在5％至95％之间，根据信号类型选取。

4.根据权利要求1所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，所述利用横向插值技术构建二维振动图像，其公式如下：

其中，L(i)表示信号的时域序列，i＝1,2,…,M²；P(j,k)(j＝1,2,…,M；k＝1,2,…,M)表示M×M灰度图中对应(j,k)位置的归一化灰度强度值；round(·)表示整取函数，max(L)表示L(i)的最大值，min(L)表示L(i)的最小值。

5.根据权利要求1所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级，同时压缩像素较少的灰度级，增大像素之间灰度值差别的动态范围。

6.根据权利要求1所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，所述标签用向量进行表示，所述向量的维数与所述故障类别的类别数量相同。

7.根据权利要求1所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，所述卷积神经网络模型包括数据输入层，故障特征提取层和Softmax分类器。所述故障特征提取层包含4个卷积层、3个池化层以及与Softmax分类器连接的全局平均池化层。

8.根据权利要求7所述的一种基于二维振动图像增强的轴承故障诊断方法，其特征在于，所述全局平均池化层对最后一个所述卷积层输出的每一通道的特征图进行全局平均池化，并将得到的结果向量输入到所述Softmax分类器中。

9.根据权利要求7所述的一种基于二维振动图像增强的轴承故障诊断分类方法，其特征在于，所述全局平均池化的公式为：

y_k＝pooling_avg(x_k)，其中，x_k为输入x的第k个通道；pooling_avg(·)为计算特征图中所有像素点的平均值；y_k为第k个全局平均池化值。

10.一种基于二维振动图像增强的轴承故障诊断系统，其特征在于，包括：

信号采集模块，用于采集轴承在不同故障类别下的振动的时域信号数据；

信号分析处理器，包括：

数据集构建模块，用于利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；

数据增强模块，用于利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像，并对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围以及对每种所述故障类别采用独热编码方式，使得每种所述故障类别对应一个标签；

模型建立模块，用于构建卷积神经网络模型，构建卷积神经网络模型，将经过所述直方图均衡化处理后的数据作为所述卷积神经网络模型输入样本，并利用所述卷积神经网络模型逐层贪婪学习所述二维振动图像与所述标签之间的联系；

故障分类识别模块，利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断。