[发明专利]基于小波包重构成像和CNN的轴承故障诊断方法

说明书

本发明公开了一种基于小波包重构成像和CNN的轴承故障诊断方法，其步骤为：对每个通道样本集的每个轴承振动时域信号计算其小波包重构信号并做短时傅里叶变换，得到所有振动时域信号的时频谱图像作为每个通道的训练集；构建并训练深浅层特征融合CNN网络；将每个传感器采集的待检测的轴承振动时域信号的时频谱图输入到利用该通道训练集训练好的深浅层特征融合CNN网络中，输出故障类型。本发明对轴承振动时域信号的处理，消除了振动时域信号采集过程中干扰分量的影响，构建的深浅层特征融合CNN网络能够学习更丰富的故障特征信息，有效的提高了对转速变化的轴承故障诊断正确率。

技术领域

本发明属于机械技术领域，更进一步涉及机械故障诊断技术领域中的一种基于小波包重构成像和卷积神经网络CNN(convolutional neural network)的轴承故障诊断方法。本发明可用于对轴承故障进行自动诊断。

背景技术

轴承是旋转机械中使用最广泛的组件，直接影响旋转机械的健康状态。在实际的生产中，轴承零部件会因众多原因出现不同程度的损伤，例如疲劳剥落、腐蚀磨损、塑性形变等。随着深度学习的快速发展，现代旋转机械设备的故障诊断方法得到蓬勃发展，以卷积神经网络、深度自编码器等自动特征学习的深度学习技术在故障诊断领域得到广泛应用。但是这些方法在轴承故障诊断领域的发展仍有不足，首先，现有技术大多用于固定转速的轴承故障诊断，其次，现有技术未消除轴承振动时域信号采集过程中干扰分量的影响，且只能学习单层的特征图像，导致故障诊断正确率下降。

杭州电子科技大学在其申请的专利文献“一种基于一维卷积神经网络的轴承故障诊断方法”(申请号202110308444.1，申请公布号：CN 113052062 A，申请日期2021.03.23)中公开了一种利用一维卷积神经网络对滚动轴承的故障进行诊断的方法。该方法的步骤是：首先，将轴承振动时域信号按照设定的样本信号长度分割为一系列样本信号，将样本信号与相应的故障类型标签一起构建为样本数据集，并将该数据集划分为包含1800rpm转速下的训练集、验证集和测试集；然后，通过构建的一维卷积神经网络学习训练集中的故障特征，并完成故障特征提取及故障分类，获得基于一维卷积神经网络的轴承故障诊断模型；最后，将测试集输入到训练好的故障诊断模型中，自动提取故障特征，诊断出轴承的故障类型。该方法存在的不足之处是，由于该方法中的训练集仅包含1800rpm转速下的轴承故障振动信号，导致所构建的滚动轴承故障诊断模型更适用于固定转速下的故障诊断，对于变转速的滚动轴承，无法进行故障诊断。

Ma Ping等作者在其发表的论文“A novel bearing fault diagnosis methodbased on 2D image representation and 2D image representation and transferlearning-convolutional neural network”(Measurement Science and Technology，2019(30)，055402(16pp)；doi:10.1088/1361-6501/ab0793)中提出了一种基于迁移学习卷积神经网络TLCNN(transfer learning-convolutional neural network)的轴承故障诊断方法。该方法的步骤是：首先，对只有四种转速且转速差异较小的轴承振动时域信号做频率切片小波变换FSWT(frequency slice wavelet transform)将其变换为二维时频图像；其次，利用提出的TLCNN模型对二维时频图像进行特征提取及故障分类，实现轴承的故障诊断。该方法存在的不足之处是，由于该方法直接对轴承振动时域信号做FSWT变换，未消除振动时域信号采集过程中干扰分量的影响，导致该方法中的二维时频图像故障特征不明显，且该方法中的TLCNN模型只能学习单层的特征图像，对于相似的二维时频图像无法学习更细节的信息，导致该方法中TLCNN模型故障诊断正确率降低。

发明内容