[发明专利]一种基于VMD-MSST的轴承故障诊断方法

权利要求书

1.一种基于VMD-MSST的轴承故障诊断方法,其特征在于，包括以下步骤：

S1.基于目标转子轴承,获得初始信号数据,所述初始信号数据包括若干样本数据,基于所述样本数据的总长度、单个样本数据长度、单个样本数据步长，获得所述样本数据的样本数量，构建目标信号数据模型；

S2.基于所述目标信号数据模型，获得若干个不同特征尺度的平稳信号单元，构建平稳信号数据模型，所述平稳信号数据模型包括峭度值单元和互信息单元，对所述平稳信号数据模型进行重构，得到重构信号模型；

S3.基于同步压缩变换的时频分析方法，依据所述重构信号模型，得到时频图像模型，通过信号重构和脊检测算法，获得所述时频图像模型的瞬时频率数据单元和瞬时幅值信号数据单元，构建目标输入数据模型；

S4.构建1D-CNN-LSTM网络模型，通过所述目标输入数据模型，对所述1D-CNN-LSTM网络模型进行训练，得到所述目标转子轴承的故障诊断模型，用于诊断转子轴承的组合故障类型。

2.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法，其特征在于，

所述目标转子轴承的故障为外圈故障,包括故障位置点和故障损伤直径；

所述故障位置点包括，3点钟、6点钟、9点钟和12点钟4种不同位置的故障；

所述故障损伤直径包括，0.007inch，0.014inch，0.021inch和0.028inch四种不同直径的故障。

3.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法，其特征在于，

基于VMD算法，对所述平稳信号单元进行分解,包括如下步骤:

S21.基于所述VMD算法的变分框架，依据所述目标信号数据模型,构建变分模型，其中，所述变分模型包括若干个分量，基于所述变分模型的最优解，确定所述分量的分量频率中心和分量带宽；

S22.基于逆傅里叶变换，将所述分量返回到所述初始信号数据的信号时域；

S23.所述初始信号数据的信号频域分解为若干个窄带模态分量，通过所述信号时域，构建所述平稳信号单元。

4.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法，其特征在于，

所述峭度值单元的峭度值小于等于2.74；

所述互信息单元的互信息值大于等于0.1。

5.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法，其特征在于，

所述1D-CNN-LSTM网络包括1D-CNN模块、LSTM模块、全连接层模块和输出层模块；

所述1D-CNN模块包括两个卷积层单元和两个最大池化层单元；

所述卷积层单元包括若干个卷积层；

所述最大池化层单元包括若干个最大池化层；

所述卷积层与所述最大池化层的层数相同；

所述LSTM模块包括两个LSTM层单元；

所述LSTM层单元包括若干个LSTM层；

所述1D-CNN模块通过所述LSTM模块与所述全连接层模块连接；

所述LSTM模块通过所述全连接层模块与所述输出层模块连接。

6.根据权利要求5所述的一种基于VMD-MSST的轴承故障诊断方法，其特征在于，

所述一维卷积层采用Delude作为激活函数；

所述全连接层用于对训练结果进行分类。