一种多模态深度学习的滚动轴承故障诊断方法技术

本发明专利技术提供了一种多模态深度学习的滚动轴承故障诊断方法，属于轴承故障诊断技术领域。通过构建滚动轴承故障诊断模型来对不同工况下滚动轴承的时域信号、频域信号和小波域信号进行判断，输出滚动轴承在当前工况下的轴承状态为正常或存在某种类型的故障。采用本发明专利技术，能够对振动信号从时域、频域和小波域三种模态进行综合分析，既能加强不同域特征间的联系，还能补充单域特征可能漏掉的信息，而且本发明专利技术所提方法平均准确率均比单时域WDCNN、EMD+VPMCD及传统融合方法高并具有较强的鲁棒性，可以提高对滚动轴承进行故障诊断的准确性。可以提高对滚动轴承进行故障诊断的准确性。可以提高对滚动轴承进行故障诊断的准确性。

【技术实现步骤摘要】
一种多模态深度学习的滚动轴承故障诊断方法


[0001]本专利技术提供了一种多模态深度学习的滚动轴承故障诊断方法，属于轴承故障诊断


技术介绍

[0002]在机械设备运行过程中，机械设备的工况总是复杂多变的，载荷和噪声是评估机械设备工况的两项重要指标，载荷的变化和噪声的存在将在很大程度上导致滚动轴承振动特征的改变，使得对设备运行状态的判别变得更加复杂和困难。因此，开展对变工况下滚动轴承的状态检测及故障诊断已经成为机械振动领域的重要发展方向之一。
[0003]现有的故障特征提取大多基于时域(Time domain)、频域(Frequency)及小波域(Wavelet domain)三种模态信号中的一种进行提取。然而，在提取频域的模态信号时，轴承的能量向中频段及高频段转移；在提取时域的模态信号时，对滚动轴承的缺陷敏感但对幅值和频率不够敏感；在提取小波域的模态信号时，能在多分辨率和多尺度下进行分析。可见单一域信号的分析缺乏对其他域模态信号的联合提取，并不适用于所有的故障诊断情况，尤其是对于变工况下滚动轴承而言，复杂故障特征无法快速提取从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态深度学习的滚动轴承故障诊断方法，其特征在于，包括如下步骤：1)获取待测滚动轴承在当前工况下振动的时域信号，对该时域信号进行处理得到与当前工况对应的频域信号和小波域信号；2)将与当前工况对应的时域信号、频域信号和小波域信号输入预先建立的滚动轴承故障诊断模型中，输出待测滚动轴承在当前工况下的轴承状态；所述轴承状态为正常或相应的故障类型；所述滚动轴承故障诊断模型包括一级模型和二级模型，所述一级模型包括时域卷积网络模型、频域卷积网络模型和小波域卷积网络模型；所述时域卷积网络模型用于对输入的时域信号进行特征提取得到时域特征并输入至二级模型，所述频域卷积网络模型用于对输入的频域信号进行特征提取得到频域特征并输入至二级模型，所述小波域卷积网络模型用于对输入的小波域信号进行特征提取得到小波域特征并输入至二级模型；所述二级模型用于对输入的时域特征、频域特征和小波域特征进行特征级融合，输出滚动轴承在对应工况下的轴承状态；所述滚动轴承故障诊断模型的训练数据包括不同轴承状态的滚动轴承在不同工况下振动的时域信号、频域信号和小波域信号。2.根据权利要求1所述的多模态深度学习的滚动轴承故障诊断方法，其特征在于，所述时域卷积网络模型包括依次连接的卷积层、最大池化层、卷积层、全连接层、最大池化层、Flatten层和全连接层。3.根据权利要求1所述的多模态深度学习的滚动轴承故障诊断方法，其特征在于，所述频域卷积网络模型包括依次连接的卷积层、最大池化层、卷积层、全连接层、最大池化层、Flatten层和全连接层。4.根据权利要求1所述的多模态深度学习的滚动轴承故障诊断方法，其特征在于，所述...

【专利技术属性】
技术研发人员：雷文平，薛阳，胡鑫，李永耀，闫灏，王宏超，陈磊，陈宏，李凌均，王丽雅，韩捷，
申请(专利权)人：郑州恩普特科技股份有限公司，
类型：发明
国别省市：