[发明专利]基于时频和CNN的轴承诊断方法、系统、设备及介质

权利要求书

1.一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，包括：

获取变转速工况下多个轴承振动信号；

将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；

基于按预设比例配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；

对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；

求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。

2.如权利要求1所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，获取变转速工况下多个轴承振动信号包括：

获取升速工况下的多个轴承振动信号，所述多个轴承振动信号包括健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号。

3.如权利要求2所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，获取变转速工况下多个轴承振动信号之后，还包括：对所述多个轴承振动信号进行降采样处理。

4.如权利要求2所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图包括：

将每一个轴承振动信号按照频率变化分为100段信号，每段信号长度为20000；

对所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的300个分段信号进行希尔伯特变换，分别得到所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的故障分量的包络信号；

对所述故障分量的包络信号进行时频分析，得到300张分段时频图。

5.如权利要求4所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线包括：

对已确定故障类别的各个轴承振动信号进行降采样处理；

求取经降采样的各个轴承振动信号的希尔伯特包络信号，再经短时傅里叶变换得到时频分析矩阵；

基于所述时频分析矩阵得到时频分析图，并从所述时频分析图中提取故障特征曲线。

6.如权利要求1所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息包括：

依据轴承的元件参数、转速和轴承动力学，得到轴承各部位的故障特征频率；

依据轴承各部位的故障特征频率和轴承的转频，得到不同故障类别的故障特征系数；

将所述故障特征曲线上各点的频率值除以对应的故障特征系数得到各个时刻的轴承转速信息；

其中，故障特征系数为轴承各部位的故障特征频率与轴承的转频的比值。

7.如权利要求2所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，所述故障特征频率包括：

外圈故障频率：

内圈故障频率：

其中，f_r为轴承的转频，Z为滚动体个数，d为滚动体直径，D为轴承节径，α是接触角。