一种滚动轴承故障监测诊断方法、设备、介质及处理器技术

本发明专利技术公开了一种滚动轴承故障监测诊断方法、设备、介质及处理器，方法为首先对不同健康状态下采集的轴承数据进行切割划分样本，利用短时傅里叶变换对样本进行预处理，然后利用一维卷积神经网络提取样本的低层次特征，接着门控循环单元分析低层次特征得到时频域特征，输出设备状态监测结果并将时频域特征作为粗分类器的输入，得到故障粗分类结果；在训练的过程中利用故障关键帧数据，以解决轴承运转状态下的数据极不平衡问题，降低时间跨度长对梯度的影响，使得深度学习模型能精准地监测轴承的实时状态。本发明专利技术不需要大量先验知识来手动地提取特征，通过深度学习模型的实时监测实现在线故障实时诊断，节省大量人力物力，提高生产效率。产效率。产效率。

【技术实现步骤摘要】
一种滚动轴承故障监测诊断方法、设备、介质及处理器


[0001]本专利技术属于机械故障诊断和计算机人工智能
，尤其涉及一种基于关键帧检测模型的滚动轴承故障监测诊断方法、设备、介质及处理器。

技术介绍

[0002]近年来，随着工业的发展，对机械设备长时间安全可靠地运行要求也越来越高。为了避免重大的经济损失和人身伤害，机械故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。机械故障诊断技术是通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此，为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。
[0003]滚动轴承作为旋转机械的关键部件之一，其健康状态直接影响着整个旋转机械的稳定性。但同时，滚动轴承长时间处于高温、重载、高速等恶劣的工作情况之下，容易发生磨损、裂纹、断裂等故障，严重危害整个旋转系统的安全运行。因此，研究滚动轴承的状态信息和相应的机械故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极而又重大的意义。
[0004]大量研究表明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障监测诊断方法，其特征在于，包括以下步骤：步骤1、采集不同健康状态的滚动轴承振动数据，并对采集到的滚动轴承振动数据进行切割，形成一维样本；步骤2、对切割形成的一维样本做短时傅里叶变换处理，形成二维片段，并按正常数据在前故障数据在后，故障突发时机任意的实际规律，将短时傅里叶变换处理后的二维片段拼接为固定长度的关键帧片段，在训练阶段将关键帧片段送入参数初始化的深度关键帧识别神经网络模型；步骤3、训练过程中，先由深度关键帧识别神经网络模型中的一维卷积神经网络提取关键帧片段的低层次特征，再由深度关键帧识别神经网络模型中的深层门控循环单元在提取到的低层次特征的基础上进一步分析得到高层次特征，输出故障状态，最后预测故障突发时刻与真实标签对比获得损失，利用对应的优化函数降低损失，训练深度关键帧识别神经网络模型参数；步骤4、训练过程中，用滚动轴承振动数据的二维片段单独训练故障粗分类网络模型，利用对应的优化函数训练故障粗分类网络模型参数；测试过程中，将故障突发时间点所对应的滚动轴承振动数据的二维片段作为输入，输入到故障粗分类网络模型中，故障粗分类网络模型输出对突发故障的粗分类结果；至此深度关键帧识别神经网络模型和故障粗分类网络模型均已训练完毕，构成深度神经网络诊断模型；步骤5、将测试样本集输入到已训练好的深度神经网络诊断模型中，通过实际的输出的预测值与粗分类标签值来定性、定量化判断该测试样本故障突发时间点及故障类型；状态预测曲线与实际状态曲线对比，分类标签与实际标签做对比，得到诊断效果与分类精度。2.根据权利要求1所述的滚动轴承故障监测诊断方法，其特征在于，所述步骤1包括：步骤1.1、建立固定工况下的不平衡数据集，数据集以其工作轴承命名；采集多种健康状态下的滚动轴承振动数据，滚动轴承振动数据中正常状态数据远多于故障数据；步骤1.2、以连续N个采样点为一个样本长度，切割采集到的滚动轴承振动数据制作一维样本数据集，一维样本数据集的尺寸为(N,1)。3.根据权利要求2所述的滚动轴承故障监测诊断方法，其特征在于，所述步骤2包括：步骤2.1、对步骤1.2所获得的一维样本数据集中的故障数据片段做短时傅里叶变换处理，更改短时傅里叶变换的窗长和步长参数，将时域信号转变为时频域信号，形成故障数据二维片段；记某一时刻信号为d(a)，窗长为ω，步长为τ，信号的短时傅里叶变换公式为：S
d
(ω，a)＝∫(d(τ)m(τ
‑
a)e
‑
j2πaτ
)dτ
ꢀꢀꢀꢀꢀ
(1)其中，m(τ
‑
a)为分析窗函数；步骤2.2、对短时傅里叶变换之后的故障数据二维片段按照正常数据在前故障数据在后，故障突发时机任意的实际规则进行拼接，即一旦故障发生，故障发生后的信号中不再包含正常信号；首先，选取固定的拼接个数α，其中包含p个随机抽取的正常信号，(α
‑
p)个随机抽取的单一故障信号，p∈[0，α]，并在时间维度进行横向拼接，拼接后的单个新数据称为一个关键帧片段，将随机拼接的若干关键帧片段组成训练数据集，用于训练参数初始化的深度关键帧识别神经网络模型。
4.根据权利要求3所述的滚动轴承故障监测诊断方法，其特征在于，所述步骤3包括：步骤3.1、将步骤2.2得到的拼接完成的关键帧片段的时频域信号作为一维卷积神经网络的输入，由一维卷积神经网络提取关键帧片段的低层次特征，一维卷积神经网络的输出为关键帧片段的低层次特征；步骤3.2、将一维卷积神经网络的输出的关键帧片段的低层次特征作为深层门控循环单元的输入，由深层门控循环单元分析得到关键帧片段的高层次特征，输出故障状态；检测深层门控循环单元的输入X
t
，则t时刻的隐层输出可以表示为：h
t
＝(1
‑
z
t
)h
t
‑1+z
t
h
′
t
ꢀꢀꢀꢀ
(2)其中，h
’
t
为上一时刻隐层状态，表示为：h
′
t
＝tanh(Wx
t
+r
t
⊙
Uh
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中，W和U为一对权重参数，影响重置门与更新门，r
t
表示重置门，z
t
表示更新门，其定义如下公式所示：r
t
＝σ(W
(r)
x
t
+U
(r)
h
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)z
t
＝σ(W
(z)
x
t
+U
(z)
h
t
‑1)
...

【专利技术属性】
技术研发人员：沈长青，刘双劼，谢靖，高冰冰，朱忠奎，
申请(专利权)人：吴江万工机电设备有限公司，
类型：发明
国别省市：