轴承故障诊断方法及装置、可读存储介质及电子设备制造方法及图纸

一种轴承故障诊断方法及装置、可读存储介质及电子设备，所述故障诊断方法包括：采集处于工作状态的轴承的振动加速度信号(S101)；对所述轴承的振动加速度信号进行小波分解(S102)；从小波分解得到的信号中依次提取特征参数并构建特征向量(S103)；根据所述特征向量，构建特征矩阵(S104)；将所述特征矩阵输入至预先训练的神经网络模型(S105)；将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果(S106)。上述方案能够提高轴承故障诊断的精确度。

Bearing fault diagnosis method and device, readable storage medium and electronic equipment

【技术实现步骤摘要】
【国外来华专利技术】轴承故障诊断方法及装置、可读存储介质及电子设备
本专利技术涉及轴承故障检测领域，尤其涉及一种轴承故障诊断方法及装置、可读存储介质及电子设备。
技术介绍
轴承是机械设备中的基础零部件，已经广泛应用于列车等设备上。轴承的运行状态对列车的行驶安全起着至关重要的作用，因此，对轴承故障进行诊断尤为重要。在现有技术中，在对轴承故障进行诊断时，通常是由数据分析人员观察解调后的时域振动加速度信号的包络谱波形进行主观判断，需要有相关理论背景的数据分析人员对数据进行分析，主观性较高。虽然现有技术中也出现了使用神经网络理论来对轴承故障进行诊断的方法，但是对轴承故障进行诊断时的精确度较低。
技术实现思路
本专利技术实施例解决的技术问题是如何提高轴承故障诊断的精确度。为解决上述技术问题，本专利技术实施例提供一种轴承故障诊断方法，包括：采集处于工作状态的轴承的振动加速度信号；对所述轴承的振动加速度信号进行小波分解；从小波分解得到的信号中依次提取特征参数并构建特征向量；根据所述特征向量，构建特征矩阵；将所述特征矩阵输入至预先训练的神经网络模型；将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的的故障诊断结果。可选的，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。可选的，所述采集轴承的振动加速度信号，包括：采集轴承的时域振动加速度信号。可选的，所述对所述轴承的振动加速度信号进行小波分解，包括：选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。可选的，所述从小波分解得到的信号中依次提取特征参数并构建特征向量，包括：从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。可选的，所述根据所述特征向量，构建特征矩阵，包括：根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。可选的，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。可选的，在对所述振动加速度信号进行小波分解之前，还包括：对所述振动加速度信号进行降噪处理。可选的，所述对所述振动加速度信号进行降噪处理，包括：采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。可选的，所述特征参数包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。可选的，在将所述特征矩阵输入至预先生成的神经网络模型之前，还包括：对所述特征矩阵中的元素进行归一化处理。可选的，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。可选的，所述将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果，包括：将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。本专利技术实施例还提供了一种轴承故障诊断装置，包括：采集单元，用于采集处于工作状态的轴承的振动加速度信号；小波分解单元，用于对所述轴承的振动加速度信号进行小波分解；特征向量构建单元，用于从小波分解得到的信号中依次提取特征参数并构建特征向量；特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；输入单元，用于将所述特征矩阵输入至预先训练的神经网络模型；故障诊断结果获取单元，用于将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。可选的，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。可选的，所述采集单元，用于采集轴承的时域振动加速度信号。可选的，所述小波分解单元，用于选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。可选的，所述特征向量构建单元，用于对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。可选的，所述特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。可选的，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。可选的，所述轴承故障诊断装置还包括：降噪处理单元，用于在所述小波分解单元对所述振动加速度信号进行小波分解之前，对所述振动加速度信号进行降噪处理。可选的，所述降噪处理单元，用于采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。可选的，所述特征参数包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。可选的，所述轴承故障诊断装置包括：归一化处理单元，用于在所述输入单元将所述特征矩阵输入至预先生成的神经网络模型之前，对所述特征矩阵中的元素进行归一化处理。可选的，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。可选的，所述故障诊断结果获取单元，用于将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的轴承故障诊断方法的步骤。本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的轴承故障诊断方法的步骤。与现有技术相比，本专利技术实施例的技术方案具有以下有益效果：通过对采集到的轴承的振动加速度信号进行小波分解，从小波分解得到的信号中依次提取特征参数并构建特征向量，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，通过预先训练的神经网络模型对特征矩阵进行处理得到输出结果，将输出结果与预设的目标矩阵进行比对即可获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。进一步，在对轴承的振动加速度信号进行小波分解之前，对振动加速度信号进行降噪处理，降低其他信号对振动加速度信号的干扰，从而可以进一步提高轴承故障诊断的精确度。附图说明图1是本专利技术实施例中的一种轴承故障诊断方本文档来自技高网...

【技术保护点】
1.一种轴承故障诊断方法，其特征在于，包括：/n采集处于工作状态的轴承的振动加速度信号；/n对所述轴承的振动加速度信号进行小波分解；/n从小波分解得到的信号中依次提取特征参数并构建特征向量；/n根据所述特征向量，构建特征矩阵；/n将所述特征矩阵输入至预先训练的神经网络模型；/n将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。/n

【技术特征摘要】
【国外来华专利技术】1.一种轴承故障诊断方法，其特征在于，包括：
采集处于工作状态的轴承的振动加速度信号；
对所述轴承的振动加速度信号进行小波分解；
从小波分解得到的信号中依次提取特征参数并构建特征向量；
根据所述特征向量，构建特征矩阵；
将所述特征矩阵输入至预先训练的神经网络模型；
将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。


2.如权利要求1所述的轴承故障诊断方法，其特征在于，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。


3.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述采集轴承的振动加速度信号，包括：
采集轴承的时域振动加速度信号。


4.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述对所述轴承的振动加速度信号进行小波分解，包括：
选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；
对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。


5.如权利要求4所述的轴承故障诊断方法，其特征在于，所述从小波分解得到的信号中依次提取特征参数并构建特征向量，包括：
对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；
从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。


6.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述根据所述特征向量，构建特征矩阵，包括：
根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。


7.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。


8.如权利要求1或2所述的轴承故障诊断方法，其特征在于，在对所述振动加速度信号进行小波分解之前，还包括：
对所述振动加速度信号进行降噪处理。


9.如权利要求8所述的轴承故障诊断方法，其特征在于，所述对所述振动加速度信号进行降噪处理，包括：
采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。


10.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述特征参数包括以下至少一种：
每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。


11.如权利要求1或2所述的轴承故障诊断方法，其特征在于，在将所述特征矩阵输入至预先生成的神经网络模型之前，还包括：
对所述特征矩阵中的元素进行归一化处理。


12.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。


13.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果，包括：
将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。


14.一种轴承故障诊断装置，其特征在于，包括：
采集单元，用于采集处于工作状态的轴承的振动加速度信号；
小波分解单元，用于对所述轴承的振动加速度信号进...

【专利技术属性】
技术研发人员：邱志，胡华亮，魏来，马子魁，
申请(专利权)人：舍弗勒技术股份两合公司，
类型：发明
国别省市：德国;DE