一种用于轴承故障诊断的信号增强方法及系统技术方案

本发明专利技术公开了一种用于轴承故障诊断的信号增强方法，包括：采集轴承在不同故障类别下的故障时域信号数据；利用数据增强与扩展技术对单个所述时域信号数据进行扩充获得足够多的深度学习训练样本，并将其划分为训练集，验证集和测试集；利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维故障图像；对所述二维故障图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围，突出纹理细节与对比度，以增强含噪图像中周期性故障特征，实现故障信号增强。本发明专利技术可以突出强干扰环境下微弱的故障特征，有利于提高滚动轴承诊断准确率。轴承诊断准确率。轴承诊断准确率。

【技术实现步骤摘要】
一种用于轴承故障诊断的信号增强方法及系统


[0001]本专利技术涉及滚动轴承故障诊断分类
，具体涉及了一种用于轴承故障诊断的信号增强方法及系统。

技术介绍

[0002]机械设备正在朝着大型化、精密化方向发展，智能化也日益提高，对设备运行中的可靠性也提出更高要求。作为旋转机械中的核心回转支承部件，其表面的轻微缺陷就可能导致整个装置系统的运行故障，造成巨大人员伤亡和财产损耗。传统的用于滚动轴承检测方法，需要工作人员定期从机械设备上将轴承拆卸下来进行安全检验，耗费大量人力物力，对工业生产进程造成影响。智能维护方案利用先进的传感器和检测技术，获得设备运行的状态信息，当故障发生时，也能通过建立物理与统计模型对设备的剩余寿命进行预测，并在设备完全失效前对设备展开维修工作。因此，开展轴承故障诊断和状态检测对提高设备运行的安全性有着重要意义。
[0003]由于振动/声学信号对旋转机械故障较为敏感，而且基于振动/声学信号的故障诊断方法具有诊断速度快、精度高、测量系统简单、故障定位准确等优点，目前已经成为旋转机械故障诊断中应用最广泛、最行之有效的可靠方法。对振动/声学信号的处理与故障特征提取是状态监测和故障诊断的关键，它直接关乎到诊断的准确率和故障早期预报的可靠性。同时由于机械设备的复杂性，系统各组件的振动信号互相调制、叠加，造成测量的振动信号往往表现出非线性非平稳特征，利用传统的滤波降噪方法处理信号，在滤除干扰噪声的同时不可避免的将部分有用的信号一并滤除，导致有用信号的丢失；而且机械设备的故障特征在早期阶段并不显著，反映在信号中十分微弱，因此，将淹没在强背景噪声里的微弱故障信息进行增强是提高滚动轴承故障诊断准确率的有效途径。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种用于轴承故障诊断的信号增强方法，本专利技术通过采集滚动轴承不同故障类别下的振动信号或噪声信号的时域信号数据，通过数据增强与扩展获得足够多的深度学习训练样本，采用横向插值将一维时域信号转换为二维图像，利用直方图均衡化技术拉伸故障图像中像素之间灰度值差别的动态范围，突出纹理细节与对比度，以增强含噪图像中周期性故障特征。
[0005]本专利技术提出一种用于轴承故障诊断的信号增强方法，包括：
[0006]采集轴承在不同故障类别下的故障时域信号数据；
[0007]利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；
[0008]利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维故障图像；
[0009]对所述二维故障图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态
范围，实现故障信号增强。
[0010]在本专利技术的一个实施例中，所述故障类别至少包括正常轴承、内圈故障、外圈故障和滚动体故障。
[0011]在本专利技术的一个实施例中，所述故障时域信号为振动信号的振动时域信号数据或噪声信号的噪声时域信号数据，所述二维故障图像为二维振动故障图像或二维噪声故障图像
[0012]在本专利技术的一个实施例中，所述数据增强与扩展通过以下公式进行：
[0013]其中，m为可得到的最大样本数量；N为采集到的故障信号长度；len为每个样本的采样点；η为重叠率，范围在5％至95％之间，根据信号类型选取。
[0014]在本专利技术的一个实施例中，所述利用横向插值技术构建二维振动图像，其公式如下：
[0015]其中，L(i)表示信号的时域序列，i＝1,2,
…
,M2；P(j,k)(j＝1,2,
…
,M；k＝1,2,
…
,M)表示M
×
M灰度图中对应(j,k)位置的归一化灰度强度值；round(
·
)表示整取函数，max(L)表示L(i)的最大值，min(L)表示L(i)的最小值。
[0016]在本专利技术的一个实施例中，进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级，同时压缩像素较少的灰度级，增大像素之间灰度值差别的动态范围。
[0017]在本专利技术的一个实施例中，，灰度直方图的离散形式和图像的概率分布函数分别表示为：
[0018]h(i)＝n
i
,i＝1,2,
…
,L
‑
1，
[0019][0020]其中，n
i
是位于i灰度级上的像素个数，L为总灰度级，r
i
为第i个灰度级，h(i)为灰度直方图，灰度直方图的x轴和y轴分别代表灰度级和像素个数。
[0021]在本专利技术的一个实施例中，所述r
i
的累计分布函数CDF为：
[0022][0023]0≤CDF(r
i
)≤1。
[0024]在本专利技术的一个实施例中，对CDF(r
i
)取整扩展，将新灰度替代旧灰度，并合并灰度值相等或相近的每个灰度直方图即可得到直方图均衡化的结果，其公式如下：
[0025]CDF(r)＝int[(N
‑
1)CDF(r
i
)+0.5]，其中int[
·
]表示向下取整。
[0026]本专利技术还提出一种用于轴承故障诊断的信号增强系统，应用了上述用于轴承故障诊断的信号增强方法，所述系统包括：
[0027]信号采集模块，用于采集轴承在不同故障类别下的振动信号数据或噪声信号数据的时域信号数据；
[0028]数据集构建模块，用于利用数据增强与扩展技术对单个所述时域信号数据进行扩
充，并将其划分为训练集，验证集和测试集；
[0029]数据增强模块，用于利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维故障图像，并对所述二维故障图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围，实现故障信号增强。
[0030]本专利技术针对滚动轴承早期故障信号易被噪声干扰淹没，所提出一种用于轴承故障诊断的信号增强方法，通过将采集到的振动/噪声信号构建为二维图像，结合卷积神经网络(ConvolutionalNeuralNetwork，CNN)强大的深度挖掘能力，可以自适应提取滚动轴承振动/噪声信号中微弱的故障特征，避免了使用复杂信号分解的手工特征提取方法带来的故障信息丢失，降低诊断过程的操作难度。
[0031]本专利技术利用直方图均衡化(HistogramEqualization，HE)在图像处理领域能够有效增强图像对比度的优势，突出振动/噪声图像中的纹理细节，从而增强了隐藏在噪声背景下早期微弱故障特征，有效降低卷积神经网络的诊断难度。
[0032]本专利技术分别将转化的二维振动/噪声故障图像经直方图均衡化处理前后的数据作为卷积神经网络模型的输入，故障诊断结果表明直方图均衡化能够有效提高滚动轴承故障诊断效果。
附图说明
[0033]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于轴承故障诊断的信号增强方法，其特征在于，包括：采集轴承在不同故障类别下的故障时域信号数据；利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维故障图像；对所述二维故障图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围，实现故障信号增强。2.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法，其特征在于，所述故障类别至少包括正常轴承、内圈故障、外圈故障和滚动体故障。3.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法，其特征在于，所述故障时域信号为振动信号的振动时域信号数据或噪声信号的噪声时域信号数据，所述二维故障图像为二维振动故障图像或二维噪声故障图像。4.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法，其特征在于，所述数据增强与扩展通过以下公式进行：其中，m为可得到的最大样本数量；N为采集到的故障信号长度；len为每个样本的采样点；η为重叠率，范围在5％至95％之间，根据信号类型选取。5.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法，其特征在于，所述利用横向插值技术构建二维振动图像，其公式如下：其中，L(i)表示信号的时域序列，i＝1,2,...,M2；P(j,k)(j＝1,2,
…
,M；k＝1,2,
…
,M)表示M
×
M灰度图中对应(j,k)位置的归一化灰度强度值；round(
·
)表示整取函数，max(L)表示L(i)的最大值，min(L)表示L(i)的最小值。6.根据权利要求1所述的一种用于轴承故障诊断的信号增强方法，其特征在于，进行直方图均...

【专利技术属性】
技术研发人员：陈剑，孙太华，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：