[发明专利]基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统

权利要求书

1.一种基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，包括以下过程：

获取滚动轴承的时域振动信号；

对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；

根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果；

对时域振动信号提取离散余弦循环谱相干特征，包括：

根据获取的时域振动信号和循环频率，基于谱相关密度的周期图估计方法，构建离散余弦谱密度估计函数；

分别调用三次离散余弦谱密度估计函数，第一次调用时输入的循环频率为覆盖需要遍历故障频率范围的向量，另外两次调用时循环频率的值设置为0，第一次得到的离散余弦谱密度为二维特征矩阵，另外两次得到的为一维特征向量，根据得到的向量计算相干性；

构建离散余弦谱密度估计函数，包括：

将输入的连续采集的振动信号每M个采样点截为一个样本，再对各段样本按每N个采样点分为一组，记为x(n)，相邻组之间有预设重叠区域，计算样本包含的总组数G；

将x(n)乘以汉宁窗，使信号两端平滑衰减到0，得到加窗后的信号y(n)；

根据周期图估计方法，构造两组数据y₁,y₂，y₁(n)＝y(n)·e^-jπαn，y₂(n)＝y(n)·e^jπαn；

对y₁,y₂进行傅里叶变换，得到其在频域中的表现形式Y₁(f)和Y₂(f)；

谱相关密度*表示共轭；

对所得结果进行离散余弦变换；

对G组数据均遍历执行以上步骤，并将所得结果累加，得到该段样本的离散余弦谱密度；

相干性的计算，包括：

其中，α为循环频率，是一个覆盖需要遍历故障频率范围的向量，DCTCSD(α,f)为第一次调用时得到的二维矩阵，DCTCSD(0,f)和DCTCSD(0,f-α)为另外两次调用时得到的一维特征向量；

所述预设卷积神经网络模型的训练包括：

构建基于CNN的新型轴承故障诊断模型；

引入Mode Normalization(MN)对模型中的特征进行分模态标准化，降低由数据分布差异引起的内部协变偏移，增强模型的域适应能力；引入注意力机制Effificient ChannelAttention(ECA)，对模型提取的待分类特征沿通道维进行特征增强，使模型更关注与分类相关的重要信息，提高模型的诊断准确率与泛化能力。

2.如权利要求1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，

将标准化方法MN嵌入到卷积神经网络模型的各卷积层之后对数据进行标准化，包括：

通过门控网络对输入赋予不同权重将其划分为不同模态；

计算各组模态的均值和方差；

根据得到的均值和方差进行标准化，得到输入样本x_i的标准化输出y_ik；

将各模态的y_ik加权求和，进行仿射变换得到x_i的标准化结果。

3.如权利要求1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，

将ECA嵌入卷积神经网络模型的卷积层与全连接层之间，对提取的待分类特征进行特征增强，包括：

设ECA输入特征X的尺寸为[H,W,C]，H,W,C分别代表特征图的高度、宽度、通道数；

使用全局平均池化进行特征降维得到1*C的均值向量μ；

使用大小为k，设定步长的一维卷积核对均值向量μ执行卷积操作，数据边缘使用零补充；

将所得结果通过softmax进行归一化，得到各通道的注意力权重。

4.如权利要求1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，

卷积神经网络模型的全连接层之间穿插使用Dropout层，按照预设比例随机丢弃神经元。