[发明专利]一种振动图像驱动的滚动轴承智能故障诊断方法

权利要求书

1.一种振动图像驱动的滚动轴承智能故障诊断方法，其特征在于，包括以下步骤；

步骤1)采集实验平台振动数据，并构建滚动轴承振动信号数据集；

步骤2)对步骤1)获得的振动数据进行EMD-AADPC图像转换，得到二维振动图像样本集，并将其按预设比例划分为训练集、验证集及测试集；

步骤3)构建用于分类识别的卷积神经网络模型；

步骤4)输入步骤2)中得到的训练集对卷积神经网络模型进行训练，再根据验证集测试结果进行超参数调试，最终保存最佳分类模型；

步骤5)将步骤2)中得到的测试集输入步骤4)所得的最佳分类模型中进行测试。

2.根据权利要求1所述的一种振动图像驱动的滚动轴承智能故障诊断方法，其特征在于，所述步骤1)具体为：规划振动传感器布置，包括故障轴承近端位置布置及故障轴承远端位置布置；再进行上位机参数配置，进行数据采集并按照4类轴承状态进行整理，从而构建滚动轴承振动信号数据集，所述4类轴承状态分别为正常状态、内圈故障、外圈故障与滚动体故障。

3.根据权利要求2所述的一种振动图像驱动的滚动轴承智能故障诊断方法，其特征在于，所述步骤2)具体包括：

步骤2.1)数据段划分：将步骤1)得到的滚动轴承振动信号数据集进行数据段划分，即每一类故障状态的数据集划分为N段，其中第i段表示为Ni，每一段数据的长度为n；

步骤2.2)数据EMD降噪：对第i段数据进行EMD分解，得到若干组经验模态分量IMF，依次计算每一组IMF与第i段数据的相关性，并按照相关性由高到低排列，取前6组IMF进行叠加得到降噪后的数据段，依次对N组数据段分别进行降噪处理得到降噪后的数据DNi，所述前6组IMF分别为IMF1～IMF6；

步骤2.3)计算步骤2.2)中各IMF的时域指标区别率：对N组DNi经EMD分解得到的6组IMF，分别计算每组IMF的时域指标a～l，时域指标a～l中每组包含6项IMF的时域指标，分别求N个IMF1～IMF6时域特征值的平均值得到时域指标a～l的向量，再计算该向量的标准差得到A～L，A～L定义为4类轴承状态下数据各IMF对应10项时域指标a～l的区别率，其意义为IMF1～IMF6之间的特征值的区别程度，A～L越大则区别程度越大，反之则越小，取区别率最大的时域指标为zbS；

步骤2.4)EMD-AADPC振动图像生成：将步骤2.3)中的IMF1～IMF6按下式依次进行AADPC转换，如IMF1将转换得到极坐标点P1(θ(i),γ(i))，计算公式如下式，

式中：θ(i)与γ(i)分别为第i个数据点在极坐标中对应的角度与半径值；x_max为振动参量最大值；x_min为振动参量最小值；a为时间间隔；x_i为第i个振动参量值；x_i+a为第i+a个振动参量值；取值范围3～10；adp为角度自适应率，其定义为：步骤2.3)中IMF1～IMF6所对应时域指标平均值数据组进行归一化后，得到包含6个值的向量adp1～adp6，adp1～adp6依次对应IMF1～IMF6的角度自适应率，其值越大，对应的IMF将分配得到更多的角度因子，从而实现6个IMF在极坐标上不同程度的分布效果；b为角度放大系数，取π/90；为初始偏转角度；

步骤2.5)样本集的划分：将经过步骤2.4)生成的EMD-AADPC振动图像按照对应的故障状态分别进行划分，得到训练集、验证集与测试集，训练集作用为训练模型分类效果，验证集参与调节模型超参数，测试集为最终效果评估。

4.根据权利要求3所述的一种振动图像驱动的滚动轴承智能故障诊断方法，其特征在于，步骤2.3)中，每组IMF的时域指标a～l共10项，分别为IMF数据的最大值、最小值、平均值、峰-峰值、方差、峭度、波形因子、峰值因子、脉冲因子与裕度因子。

5.根据权利要求3所述的一种振动图像驱动的滚动轴承智能故障诊断方法，其特征在于，步骤2.4)中，IMF1～IMF6分别分配的初始偏转角度为0°、60°、120°、180°、240°与300°。