[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

说明书

本发明提供了一种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，属于机械装备故障诊断技术领域，所述方法包括：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；本发明基于离散余弦循环谱相干特征和改进的卷积神经网络模型，能够在数据不平衡与工况变化等数据分布变化条件下实现滚动轴承故障的精确和快速诊断。

技术领域

本发明涉及机械装备故障诊断技术领域，特别涉及一种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。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

旋转机械是现代工业中应用非常广泛的设备。而轴承作为旋转机械的关键部件，其健康状况对旋转机械的运行效果，稳定性和使用寿命具有重要影响。但由于恶劣的工作环境和突变的负载，轴承的健康状况随着时间推移会不断恶化。同时安装错误、润滑不良、碎片污染、磨损等因素也会导致轴承结构发生损伤。若不能及时发现故障并进行维护，可能引发机械设备崩溃，导致经济损失甚至人员伤亡。因此轴承故障诊断成为几年来的热点话题。

基于机器学习和深度学习的智能故障诊断方法，降低了对专业诊断知识的依赖，因此在复杂机械设备的故障诊断中得到了广泛的应用。传统机器学习方法如SVM、ANN、KNN等虽然实现速度快，但模型结构过于简单，无法充分提取数据中的高维特征，因此诊断准确率往往不高。而卷积神经网络(ConvolutionalNeuralNetwork，CNN)作为最经典的深度学习模型，因其具有强大的特征提取能力和灵活易修改的结构，在各类故障诊断任务中得到了广泛应用。

目前基于CNN的故障诊断方法大都假设训练集和测试集服从相同的数据分布，而未考虑诊断方法的域适应能力，虽然取得了较好的诊断效果，但在执行新的诊断任务时，由于数据不平衡和工况变化的影响，使得新任务中的数据分布与训练集存在差异，这将导致诊断方法的效果严重恶化；此外，实际采集到的轴承振动信号包含大量噪声，这将污染甚至掩盖微弱的故障信息，因此需要使用高效的信号处理技术提取更明显的故障特征，但目前使用的信号处理方法一方面无法提取高质量特征，另一方面处理过程计算量大、效率低。以上因素都阻碍了诊断方法在实际工业环境中的应用。

发明内容

为了解决现有技术的不足，本发明提供了一种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，能够在数据不平衡与工况变化等数据分布变化条件下实现滚动轴承故障的精确、快速诊断。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于离散余弦循环谱相干的滚动轴承故障诊断方法。

一种基于离散余弦循环谱相干的滚动轴承故障诊断方法，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。

进一步的，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DCTCSD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。

进一步的，构建离散余弦谱密度估计函数，包括：