【技术实现步骤摘要】
一种滚动轴承的故障诊断方法、装置、设备和存储介质
本专利技术属于设备故障检测领域，更具体地，涉及一种滚动轴承的故障诊断方法、装置、设备和存储介质。
技术介绍
滚动轴承是机械行业中常见的标准件，广泛用于机械装备的传动系统中。由于滚动轴承通常的工作环境比较恶劣，因此极易发生损坏，给生产和人员安全带来很大的隐患。对滚动轴承进行故障诊断，可以及时发现滚动轴承已经存在的故障甚至是早期故障，避免轴承故障加深造成更大的危害。针对滚动轴承的故障诊断方法，可以分为传统非智能方法和智能诊断方法两类。传统的非智能诊断方法往往需要依赖专家经验，在实际场景下存在着步骤复杂、普适性不强的问题。而随着人工智能和大数据的发展，智能故障诊断方法可以从海量大数据中自动学习故障特征，训练故障智能诊断模型，有效提升了故障诊断的准确率。目前，智能诊断方法如深度学习方法已经得到了广泛的普及，相比非智能诊断方法有着更大的优势。然而，在故障诊断领域，大量的深度学习模型的类型与结构过于单一，难以从多个角度挖掘深层次的故障特征，因此识别的准确率大打折扣。
【技术保护点】
1.一种滚动轴承的故障诊断方法，其特征在于，包括：/nS1：采集所述滚动轴承的振动加速度原始信号；/nS2：对所述振动加速度原始信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；/nS3：将多个所述待测样本中的每个所述待测样本分别输入到多个一维深度卷积神经网络模型得到所述待测样本对应的一维故障特征，各个所述待测样本各自对应的一维故障特征互不相干；/nS4：将每个所述一维故障特征重构为一个特征图，并将各个所述一维故障特征对应的特征图进行融合得到多通道特征图像；/nS5：将所述多通道特征图像输入到二维深度卷积神经网络模型，以使所述二维深度卷积神经网...
【技术特征摘要】
1.一种滚动轴承的故障诊断方法，其特征在于，包括：
S1：采集所述滚动轴承的振动加速度原始信号；
S2：对所述振动加速度原始信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；
S3：将多个所述待测样本中的每个所述待测样本分别输入到多个一维深度卷积神经网络模型得到所述待测样本对应的一维故障特征，各个所述待测样本各自对应的一维故障特征互不相干；
S4：将每个所述一维故障特征重构为一个特征图，并将各个所述一维故障特征对应的特征图进行融合得到多通道特征图像；
S5：将所述多通道特征图像输入到二维深度卷积神经网络模型，以使所述二维深度卷积神经网络模型输出所述滚动轴承的故障状态信息。
2.如权利要求1所述的方法，其特征在于，所述步骤S3具体包括：
将多个所述待测样本中的每个所述待测样本分别输入到多个一维深度卷积神经网络模型；
利用各个所述一维深度卷积神经网络模型中的多个卷积层和多个池化层对每个所述待测样本进行特征提取，以从全连接层输出每个所述待测样本对应的一维故障特征。
3.如权利要求1所述的方法，其特征在于，所述步骤S4具体包括：
将每个所述一维故障特征重构为一个二维的特征图；
将多个所述二维的特征图合成到一个所述多通道特征图像。
4.如权利要求1所述的方法，其特征在于，所述步骤S5具体包括：
将所述多通道特征图像输入到二维深度卷积神经网络模型中进行特征挖掘，得到目标尺寸的特征量；
利用所述二维深度卷积神经网络模型末端的Soft-max分类器对所述目标尺寸的特征量进行故障识别，以使所述二维深度卷积神经网络模型输出所述滚动轴承的故障状态信息。
5.如权利要求1-4任一项所述的方法，其特征在于，所述步骤S3之前，所述方法还包括：
将多个所述一维深度卷积神经网络模型对应的激活函数设...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。