[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

说明书

本发明公开了一种振动图像驱动的滚动轴承智能故障诊断方法，首先针对滚动轴承数据选择区别率最大的时域特征指标，据此计算各层IMF的角度自适应率，再对振动数据进行EMD‑AADPC振动图像转换，生成EMD‑AADPC振动图像样本并划分训练、验证与测试数据集；搭建CNN分类模型，使用训练集样本进行训练，并根据验证集结果进行模型超参数优化调节，获得最佳模型训练参数，再采用测试数据集进行模型诊断性能评估。本发明实现了对滚动轴承的故障诊断，且诊断方式变得更加智能化、高效化。

技术领域

本发明涉及机械故障诊断领域，特别是涉及滚动轴承故障诊断方向，具体涉及一种EMD-AADPC(Empirical Mode Decomposition-Adaptive Angle Distribution PolarCoordinate，经验模态分解-自适应角度分配极坐标)振动图像与CNN(ConvolutionalNeural Network，卷积神经网络)的滚动轴承故障诊断方法

背景技术

机械装备的安全运行是现代工业生产的重要保障，轴承作为机械装备中必不可少的一部分，滚动轴承的故障诊断技术受到极大的关注。滚动轴承一般由内圈、外圈、滚动体和保持架组成，在经过长时间的运转工作后易发生多种故障，故对滚动轴承故障的快速、精确识别是一项巨大的挑战，并且具有重要的意义。

传统的滚动轴承故障诊断主要是通过对振动信号进行信号处理以获得特征信息，不同类型的振动信号一般会选择不同的分析算法；随着深度学习等智能算法的迅速发展，并与各学科进行交叉融合，智能诊断方法在机械故障诊断上受到广泛应用，相比较传统故障诊断方法，它没有严格的先验知识要求，能够减小对人工特征提取的依赖。CNN是一种前馈型神经网络，它具有良好的提取数据特征表示的能力，在处理图像时表现出其优越性，故出现了以图像数据驱动分类模型的诊断方法；现有振动图像驱动的方法中，其振动图像样本在不同状态数据间的特征表现不明确，所包含特征信息单一，无法自适应的增强样本特征等问题。

发明内容

本发明的目的在于提供一种振动图像驱动的滚动轴承智能故障诊断方法，以解决现有技术存在的问题，本发明能够实现滚动轴承故障的智能、准确及高效诊断。

为达到上述目的，本发明采用如下技术方案：

一种振动图像驱动的滚动轴承智能故障诊断方法，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。

进一步地，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。

进一步地，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；