[发明专利]一种强噪声环境下的滚动轴承故障诊断方法及系统

说明书

本发明公开了一种强噪声环境下的滚动轴承故障诊断方法及系统，采用深度学习进行轴承故障诊断，神经网络模型由随机采样层、结合SENet的CNN全局型特征提取器、基于CNN的高维特征提取器、基于GRU的特征分类器、全连接层和softmax层构成。将归一化后的训练数据输入到神经网络模型中，由随机采样层对其随机采样以增加模型的抗干扰性，采用结合SENet的CNN全局型特征提取器来提取全局型的故障特征，由基于CNN的高维特征提取器将其抽象成更高维的特征，采用基于GRU的特征分类器来加强特征表现能力，由全连接层以及Softmax层得到故障类别诊断结果。能够克服噪声干扰，对多种载荷下的滚动轴承信号进行诊断。

技术领域

本发明属于滚动轴承故障诊断技术领域，特别是一种强噪声环境下的滚动轴承故障诊断方法及系统。

背景技术

滚动轴承作为旋转机械最核心的零部件之一，一旦出现严重的故障将会产生巨大的经济损失。而随着传感技术的飞速发展，人们可以很好的记录下轴承的运行状况，但是如何在这海量数据中挖掘出故障信息就成为了轴承故障诊断领域的研究热点。

近年来，随着深度学习技术的快速发展，其特征表示和学习能力都有了很大的提高，甚至出现了一种端到端的使用方式，即对神经网络模型输入原始信号或者仅采用简单的预处理和数据扩充方法处理过的原始信号，就能够得到输出结果。除了便捷，更为重要的是这种端到端的方式所表现出的性能非常强劲，远比大部分的手工提取特征的方法更要实用。

虽然目前大多数的基于深度学习的轴承故障诊断方法正确率都很高，但是它们大多都没有考虑强噪声和多负载的复合因素。尽管有一些考虑了强噪声这一因素，但也只是在某一种负载下进行轴承故障诊断；而考虑多负载情况的，也只是忽略噪声的多负载领域自适应研究，能在强噪声和多负载复合环境下进行高准确率的轴承故障诊断的方法还很少，本发明旨在提供一种适用于高噪声环境下的滚动轴承故障诊断方法及系统，其能够克服噪声干扰，对多种载荷下的滚动轴承信号进行诊断。

发明内容

本发明的目的在于克服现有技术的不足，提供一种强噪声环境下的滚动轴承故障诊断方法及系统，可以提高滚动轴承在强噪声和多负载复合环境下的故障诊断性能。

实现本发明目的的技术解决方案为：

一种强噪声环境下的滚动轴承故障诊断方法，包括以下步骤：

S1:以采样频率f_s采集无故障和不同故障类型以及不同故障程度的轴承在不同负载下的振动加速度信号x_i,j；

S2：对采集的振动加速度信号x_i,j进行归一化处理得到归一化后的振动加速度信号并按照故障类型以及故障程度为归一化后的振动加速度信号设置深度学习的训练标签；

S3：构建神经网络模型，包括：随机采样层、结合SENet的CNN全局型特征提取器、基于CNN的高维特征提取器、基于GRU的特征分类器、全连接层和Softmax层；归一化后的样本依次经过随机采样层、结合SENet的CNN全局型特征提取器、基于CNN的高维特征提取器、基于GRU的特征分类器和全连接层的处理，最后通过Softmax层输出以得到结果标签；其中，所述随机采样层用于增加受到模拟噪声干扰的训练数据；结合SENet的CNN全局型特征提取器用于提取全局型故障特征；基于CNN的高维特征提取器用于从提取的全局型故障特征中抽象出高维故障特征；基于GRU的特征分类器用于对基于CNN的高维特征提取器提取的特征进行聚类；

S4：将步骤S2处理过后的归一化后的振动加速度信号以及对应的训练标签输入到步骤S3中的神经网络模型中进行训练；

S5：采用与步骤S1中相同采样频率f_s采集当前设备滚动轴承的振动数据得到待测振动加速度信号X_i,j；