一种轴承故障的诊断方法、装置和系统制造方法及图纸

本申请公开了一种轴承故障的诊断方法、装置和系统，涉及故障检测技术领域，所述方法包括：预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；构建具有分支结构的一维卷积神经网络模型；根据所述轴承故障数据对所述一维卷积神经网络模型进行训练；通过训练后的一维卷积神经网络模型自动提取轴承状态特征，并获取所述轴承的故障诊断结果。本申请的方案实解决了目前轴承故障诊断难以直接从原始数据中提取深层特征，需要对数据进行额外的预处理，且处理高维数据不足的问题，实现了直接从收集得到的一维数据中提取有效特征，准确率高，操作方便。

【技术实现步骤摘要】
一种轴承故障的诊断方法、装置和系统
本申请涉及故障检测
，特别涉及一种轴承故障的诊断方法、装置和系统。
技术介绍
滚动轴承广泛应用于泵、涡轮、齿轮箱、压缩机、发动机等旋转机械中，由于旋转设备的复杂性和工作环境的性质，滚动轴承非常容易发生故障。有关统计显示，轴承故障占所有电机故障的40至50％。当轴承发生故障时，可能会造成严重的经济损失甚至威胁生命。因此，对滚动轴承进行自动、准确的故障诊断，对维护机械设备的安全稳定运行具有重要意义。在现有技术中，故障诊断方法通常可分为基于模型、基于信号和基于智能的方法。基于模型的方法从物理原理或系统辨识技术来模拟工业过程或实际系统，通过相关算法将从系统获得的实际测量值与系统数学模型生成的输出值进行比较。然而，在采用基于模型的方法时，需要提前了解系统的先验信息，否则会对模型精度造成很大的影响。基于信号的诊断方法很大程度上依赖于模式分析和监控系统的先验知识。在实践中，这种先验知识很大程度上受人为因素的影响，甚至在系统非线性或工作条件高度复杂的情况下可能无法获得。传统的智能诊断算法分为特征提取与分本文档来自技高网...

【技术保护点】
1.一种轴承故障的诊断方法，其特征在于，包括：/n预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；/n构建具有分支结构的一维卷积神经网络模型；/n根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；/n通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。/n

【技术特征摘要】
1.一种轴承故障的诊断方法，其特征在于，包括：
预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；
构建具有分支结构的一维卷积神经网络模型；
根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；
通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。


2.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述采集故障轴承运行时的轴承故障数据，包括：
采用预设的轴承数据集；
根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。


3.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述采集故障轴承运行时的轴承故障数据，包括：
加工若干个具有不同损伤位置以及不同尺寸故障的轴承；
将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；
将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。


4.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述构建具有分支结构的一维卷积神经网络模型，包括：
构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；
构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；
基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型。


5.根据权利要求4所述的轴承故障的诊断方法，其特征在于，所述构建所述一维卷积神经网络基础模型，包括：
将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值；
将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值；
将所述一维卷积神经网络基础模型的多个池层尺寸均确定为第三预设值；
其中，所述第一预设值大于所述第二预设值。


6.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，包括：
将所述训练集输入所述一维卷积神经网络模型进行训练，获得所...

【专利技术属性】
技术研发人员：熊辉，刘检华，苏凯鸽，庄存波，张雷，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11