[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

说明书

本发明公开了一种基于二维振动图像增强的轴承故障诊断方法，包括：采集轴承在不同故障类别下的振动的时域信号数据，并利用信号覆盖扩展、横向插值增强和直方图均衡化处理方法对所述隐藏在强干扰环境中的微弱时域信号数据进行扩展增强处理；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增强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数据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分类。本发明可以提高轴承故障类型的识别准确率，适用于强干扰环境和变载荷等复杂工况下对轴承健康状态进行检测诊断。

技术领域

本发明涉及滚动轴承故障诊断分类技术领域，具体涉及了一种基于二维振动图像增强的轴承故障诊断方法及系统。

背景技术

机电设备正朝着大型化、精密化方向发展，智能化程度日益提高，对设备的运行可靠性也提出更高要求。作为旋转机械中的核心回转支撑部件，其表面的轻微缺陷就可能引发整个系统的运行故障，并造成巨大的人员伤亡和财产损失。机械设备中30％以上的故障是由于滚动轴承故障所致，传统的滚动轴承监测方法，需要工作人员定期从设备上将滚动轴承拆卸下来进行安全检查，耗费大量人力物力，影响工业生产进程。因此开展轴承状态检测和故障诊断对保障设备安全运行具有重要意义。

近年来，AI领域取得了突破性进展，基于数据驱动的故障诊断分类方法日益成为故障诊断领域的主流方法。传统的故障诊断算法主要包括特征提取、特征选择和模式识别三个过程。目前手工特征提取需要依赖经验模态分解、变分模态分解和小波变换等复杂信号分解技术以及专家经验，虽能取得不错的效果，但很容易误删或丢失早期的微弱故障特征，因而限制了模型泛化能力的提高；同时，浅层分类器难以识别隐藏在噪声环境下的深层特征。卷积神经网络是作为典型深度学习方法，提取的特征具有很强的泛化能力和判别能力，近年来，已有学者将一维卷积神经网络和时频变换后的二维卷积神经网络应用于故障诊断领域。然而滚动轴承往往工作在变工况下，所采集到的故障信号具有非线性和非平稳的调制特征，早期微弱故障极易淹没在各种强干扰噪声信号中，将时域信号直接作为训练数据可能会使卷积神经模型学习到与故障无关的噪声特征；此外，经时频变换的RGB三通道图像模型参数量巨大，耗时严重，无法做到快速诊断。

发明内容

为解决上述技术问题，本发明通过提出一种基于二维振动图像增强的轴承故障诊断方法，所述方法包括：

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，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分类。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。