[发明专利]一种基于数字孪生的滚动轴承故障诊断方法

说明书

一种基于数字孪生的滚动轴承故障诊断方法，包括建立滚动轴承的数字孪生体模型；获取数字孪生体模型在正常状态下运行的仿真振动信号、故障状态下运行的仿真振动信号；对数字孪生体模型在正常状态下运行的仿真振动信号、故障状态下运行的仿真振动信号进行小波变换，生成对应的二维时频图；对ResNet‑50网络进行改进，并使用所述二维时频图对改进后的ResNet‑50网络进行训练，得到第一故障诊断神经网络；对所述第一故障诊断神经网络进行迁移训练，得到第二故障诊断神经网络；利用第二故障诊断神经网络检测实际运行的滚动轴承的故障。本设计通过生成大量高度贴合实际的仿真数据以对改进的神经网络进行训练，使改进的神经网络能够准确的进行故障诊断。

技术领域

本发明涉及电子工程和计算机科学领域，尤其涉及一种基于数字孪生的滚动轴承故障诊断方法，具体适用于通过轴承的振动信号对轴承故障进行诊断。

背景技术

当今大数据与人工智能技术的快速发展，为工业系统智能制造提供了巨大机遇的同时，对各类机械装备的功能性、多样性和安全性也带来了更多挑战。现代机械装备由于需要长时间处于稳定运行状态，往往一处细微的故障就可能带来严重的后果，轻则导致设备停止运行，重则引发严重的安全事故。已有的研究与应用表明，若能够及早发现机械装备出现故障的迹象，就能在故障发生之前进行检修和维护，防止事故的发生，提高设备运行效率，极大地降低维护管理费用。在所有机械设备中，旋转机械所占比例约为80％，其中轴承更是旋转机械中不可替代的部分。据统计显示，由于轴承损坏造成的机械故障占所有机械设备故障的30％。

近年来，深度学习方法被引入到智能故障诊断中，并在轴承故障诊断中取得了优异的成绩。但是深度学习方法中，针对神经网络进行训练需要大量的样本数据，而在实际轴承的监测中，难以获得足够的样本数据，同时实际监测中所获的样本数据中，设备正常运行的数据通常远大于设备故障运行的数据，容易造成数据不平衡，进而影响神经网络的诊断结果。

发明内容

本发明的目的是克服现有技术中存在的在实际轴承的监测中，难以获得足够丰富、平衡的样本数据对神经网络模型进习训练的问题，提供了一种能够建立与物理实体高度契合的滚动轴承数字孪生体模型，运转孪生体模型得到大量高度贴合实际的仿真数据以对改进的神经网络进行训练，使改进的神经网络能够准确的进行故障进行诊断的基于数字孪生的滚动轴承故障诊断方法。

为实现以上目的，本发明的技术解决方案是：

一种基于数字孪生的滚动轴承故障诊断方法，所述故障诊断方法包括如下步骤：

步骤一、建立滚动轴承的数字孪生体模型；

步骤二、获取数字孪生体模型在正常状态下运行的仿真振动信号，获取数字孪生体模型在故障状态下运行的仿真振动信号；

步骤三、对数字孪生体模型在正常状态下运行的仿真振动信号、数字孪生体模型在故障状态下运行的仿真振动信号进行小波变换，生成对应的二维时频图；

步骤四、对ResNet-50网络进行改进，得到改进后的ResNet-50网络，并使用所述二维时频图对改进的ResNet-50网络进行训练，得到第一故障诊断神经网络；

步骤五、对所述第一故障诊断神经网络进行迁移学习训练，得到第二故障诊断神经网络；

步骤六、利用第二故障诊断神经网络检测实际运行的滚动轴承的故障。

所述步骤四中，对ResNet-50网络进行改进，得到改进后的ResNet-50网络具体包括：

在ResNet-50网络中设置三条特征提取分支，三条所述特征提取分支的参数相同，每条所述特征提取分支中包含16个依次连接的残差块；