[发明专利]噪声条件下轴承故障识别方法、装置、设备和存储介质

说明书

一种噪声条件下轴承故障的识别方法、装置、设备和存储介质，所述方法包括：S1：采集轴承振动加速度信号；S2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；S3：将待测样本进行离散小波变换，取一层小波分解的低频系数进行信号重构，得到重构信号。S4：将S3中所述重构信号进行快速傅里叶变换，取其半边谱作为后续图神经网络的节点特征。S5：构建特征图：将S4中所述半边谱作为图神经网络的节点特征，计算各节点的特征之间的欧式距离；基于K近邻法则，形成边连接，非近邻点之间不存在边连接。S6：利用图神经网络的图卷积操作进行特征学习，并在图神经网络的最后构建Soft‑max分类器，实现轴承的故障识别。

技术领域

本发明属于轴承故障诊断技术领域，更具体地，涉及一种噪声条件下轴承故障识别方法、装置、设备和存储介质。

背景技术

轴承一直是工业生产中重要的设备零部件，由于长期处于高速旋转状态下，其状态稳定性至关重要。在轴承故障诊断领域，已有许多研究人员开展了相关研究，并取得了相关进展。其中，以基于振动信号的故障诊断方法居多。该类方法以采集轴承旋转过程中的振动信号，进而分析信号中蕴含的故障特性。

基于振动信号的轴承故障识别方法，可以分为传统非智能方法和智能识别方法两类。传统非智能方法通常建立在专家经验的基础上，部分步骤需要进行定制化，因此推广范围往往受限。智能方法主要以机器学习、深度学习等技术为主，强调可训练、自学习的特性，从而普适性和智能性都较强。但智能方法的效果很大程度上取决于模型训练的效果。而模型训练的效果很大程度上取决于数据样本的可靠性。目前大部分基于智能方法的研究大部分集中在对理想数据条件下的识别问题，忽视了实际诊断背景下高噪声的特性。由于工业生产中噪声的普遍性，采集得到的振动信号中包含了大量的噪声，因此在理想数据条件下训练的模型往往无法取得理想的效果。

由于图神经网络能借助邻边节点的信息进行特征学习，因此对噪声具备一定的鲁棒性。对此，本发明利用图神经网络的这一特性，提出了一种图网络构建方式，公布了一种噪声条件下轴承故障的识别方法、装置、设备和存储介质，能很好地解决真实背景下噪声干扰的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种噪声条件下轴承故障的识别方法、装置、设备和存储介质，其目的在于准确识别轴承的当前状态。由此解决数据样本被噪声干扰而影响诊断精度的问题。

为实现上述目的，按照本发明的一个方面，提供了一种轴承故障的识别方法、装置、设备和存储介质。

一种轴承故障的识别方法，包括：

S1：采集轴承振动加速度信号；

S2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；

S3：将待测样本进行离散小波变换，取一层小波分解的低频系数进行信号重构，得到重构信号。

S4：将S3中所述重构信号进行快速傅里叶变换，得到与重构信号等长的、关于中心对称的频谱信号，取其半边谱作为后续图神经网络的节点特征。

S5：构建特征图：将S4中所述半边谱作为图神经网络的节点特征，计算各节点的特征之间的欧式距离；基于K近邻法则，对每个节点选择其欧氏距离上最近的k个点为其近邻点，形成边连接，非近邻点之间不存在边连接。

S6：利用图神经网络的图卷积操作进行特征学习，并在图神经网络的最后构建Soft-max分类器，实现轴承的故障识别。

在其中一个实施例中，所述步骤S3具体包括：

利用一次离散小波变换会得到一组高频小波系数和一组低频小波系数。由于噪声具备高频特征，因此舍弃高频小波系数，保留低频小波系数。

利用低频小波系数进行信号重构，重构方式采用著名的Mallat算法，由此我们得到基于低频小波系数重构的重构信号。