滚动轴承故障诊断方法、系统、计算机程序及存储介质技术方案

本发明专利技术涉及一种滚动轴承故障诊断方法、系统、计算机程序及存储介质，其包括：将采集到的滚动轴承原始振动信号进行分段和二维堆叠后，得到二维数列；将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；将截取的第n组数据代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；重复前述步骤构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。

【技术实现步骤摘要】
滚动轴承故障诊断方法、系统、计算机程序及存储介质
本专利技术涉及一种机械设备故障诊断
，特别是关于一种滚动轴承故障诊断方法、系统、计算机程序及存储介质。
技术介绍
滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一，其故障将直接影响机械设备的稳定运行。受工作环境的影响，滚动轴承原始振动信号一般为非平稳、非线性的，且信号中常常夹杂着噪声，且信号数据量量大，信号信息同时包含空间域信息和时域信息，给滚动轴承的故障诊断带来了困难。
技术实现思路
针对上述问题，本专利技术的目的是提供一种滚动轴承故障诊断方法、系统、计算机程序及存储介质，其能够有效识别滚动轴承振动信号中包含的空间域信息和时域信息，从两个领域同时对信号进行分析，有效提升对于振动信号的特征识别，从而更好的进行滚动轴承故障诊断。为实现上述目的，本专利技术采取以下技术方案：一种滚动轴承故障诊断方法，其包括以下步骤：S1、将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列；S2、将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间本文档来自技高网...

【技术保护点】
1.一种滚动轴承故障诊断方法，其特征在于包括以下步骤：/nS1、将采集到的滚动轴承原始振动信号y

【技术特征摘要】
20200416 CN 20201030083351.一种滚动轴承故障诊断方法，其特征在于包括以下步骤：
S1、将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列；
S2、将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；
S3、将截取的第n组数据yn代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；
S4、将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；
S5、重复步骤S2-S4构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。


2.如权利要求1所述故障诊断方法，其特征在于，所述二维数列获取方法步骤如下：
S11、截取原始振动信号：yn＝y1×[01,02,.....0n-1,11,12,....,1l,0,0..0]截取长度为l的数据，yn为截取的第n组数据；其中，l表示截取长度；11、12、1l表示第1,第2个1，第l个1；
S12、将长度为l的数据堆叠为W*H的二维数列其中W*H＝l且W,H都是2P的倍数，P为池化层层数，W表示截取数据的宽度,H表示截取数据的高度。


3.如权利要求1所述故障诊断方法，其特征在于，所述步骤S2中，特征提取步骤如下：
S21、设定卷积核参数并进行卷积乘法：



式中，Y1表示卷积核的输出，Kt表示第t个卷积核的权重矩阵；
每一个卷积核进行的卷积乘法会输出一个i*j的二维矩阵，用第t个卷积核计算时获得的二维矩阵表示为K个卷积核最终获得i*j×K的数据，即K个i*j的二维数据，也就是输出Y1；
其中，
S22、选取最适用于卷积神经网络的激活函数；
a(t,u)＝f(y(t,u))＝max{0,y(t,u)}，
式中，a(t,u)表示卷积层输出y(t,u)的激活值，u表示该卷积核进行的第u步运算；y(t,u)是的子集，表示第t个卷积核与输入进行第u步运算后得到的值；
S23、将新得到的尺寸为i*j的二维矩阵进行padding操作，即在矩阵四周补0，使其尺寸重新变为W*H，得到组成的Y1'；
S24、将网络运算得出的Y1'中的K组数据进行一维展开，输出K个一维数据其中表示的一维展开。<...

【专利技术属性】
技术研发人员：刘秀丽，吴国新，徐小力，刘春晓，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11