滚动轴承类不平衡故障诊断方法及系统技术方案

本发明专利技术涉及一种滚动轴承类不平衡故障诊断方法，包括对少数类故障样本进行变参数时频分析，对多数类正常样本进行单一参数时频分析，得到类平衡的时频特征数据集；利用时频注意力机制网络模型进行特征增强处理，得到时频特征增强数据集；构建故障诊断模型；利用时频特征增强数据集对构建的故障诊断模型进行训练，得到训练好的故障诊断模型；对未知健康状态的轴承振动信号进行单一参数时频分析，利用故障诊断模型得到轴承的健康状态。扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，且大大提高轴承类不平衡故障诊断的准确率。且大大提高轴承类不平衡故障诊断的准确率。且大大提高轴承类不平衡故障诊断的准确率。

【技术实现步骤摘要】
滚动轴承类不平衡故障诊断方法及系统


[0001]本专利技术涉及轴承故障诊断
，尤其是指一种滚动轴承类不平衡故障诊断方法及系统。

技术介绍

[0002]滚动轴承是各类旋转机械中最常用的通用零部件，也是最易损耗的零部件之一。由于旋转机械运行工况复杂，且轴承长期在重载荷和高速下工作，极易发生故障。因此对轴承的健康状态进行监测，及时准确地诊断故障，并尽早处理，可以避免重大经济损失及安全事故的发生，其有着重要的现实意义。当前，深度学习在滚动轴承故障诊断中具有广泛的应用，但是传统的深度学习方法在实际的轴承故障诊断应用时还存在一些亟需解决的问题。
[0003]首先，深度学习模型需要大量平衡的轴承状态历史数据来训练。在工程实践中，轴承正常状态数据量常远远大于故障状态数据量，这就出现了类不平衡问题，给故障诊断模型的训练带来了挑战。数量较少的样本所包含的特征过少，模型就会很难学习其数据分布规律，并且会过度依赖有限的数据样本，从而导致过拟合问题，使得模型对轴承少样本的故障状态的识别准确率不高。其次，深度学习模型对清晰的特征敏感，易受噪声的干扰。在工程实践中，机械设备运行时会产生大量振动噪声，采集的轴承振动数据会受到噪声干扰，导致轴承故障冲击信息不够明显，从而使深度学习模型不能准确学习到轴承故障状态特征。因此，如何在类不平衡和噪声干扰下提升故障诊断模型的性能，是深度学习应用到轴承故障诊断工程实践中的关键。
[0004]在类不平衡故障诊断中，常采用数据增强方法，其通过有限的少数类数据样本产生充足的生成样本使数据集达到平衡。常用的数据增强方法分为单样本数据增强和多样本数据增强，前者包括图像几何变换、图像颜色变换等，后者包括合成少数类过采样技术(SMOTE)、生成对抗网络(GAN)、辅助分类生成对抗网络(ACGAN)等。但是在数据增强方法中，单样本数据增强方法得到的生成样本与原样本的差异较大，强制对增强样本和原样本之间施加“标签不变性”约束可能会损害模型性能。此外，图像几何变换对于有方向信息的分类不适用，图像颜色变换对于色彩信息很重要的分类不适用。在多样本数据增强方法中，SMOTE算法具有两方面的局限性，一是近邻选择存在一定的盲目性，二是无法学习少数类的数据分布，容易产生分布边缘化问题。GAN和ACGAN通过构建模型来生成少数类样本，其模型训练的稳定性较差，需要较高的计算量和计算时间。总的来说，以上数据增强方法均容易导致生成样本与原样本的数据分布差异较大，不能保证生成样本与原样本的一致性。另外，这些方法根据少量的轴承故障数据样本生成新的样本，而已有的少量样本包含的轴承故障状态信息有限，导致生成样本也缺乏多样性的状态信息，不利于故障诊断模型的训练。在噪声干扰下的故障特征提取中，常采用时频分析方法滤除噪声，比如小波变换(WT)、经验模态分解(EMD)、变分模态分解(VMD)等。这些方法通过先进的信号处理技术提取轴承故障的显著时频特征，滤除故障特征频带以外的噪声。但是在基于时频分析的轴承故障特征提取方法中，需要优化相应方法的参数来提取最优的时频状态特征，然而参数的优化过程不能与深
度学习模型的训练同时进行，无法实现端到端的轴承故障诊断，而且最优参数下的时频模式只体现了一种轴承故障状态信息，忽略了其它形式的状态信息。此外，该类方法虽然能够有效地滤除故障频带以外的噪声，但是故障频带以内的噪声没有去除。

技术实现思路

[0005]为此，本专利技术所要解决的技术问题在于克服现有技术存在的问题，提出一种滚动轴承类不平衡故障诊断方法及系统，其扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，而且时频特征提取能够与故障诊断模型训练融为一体，大大提高了轴承类不平衡故障诊断的准确率。
[0006]为解决上述技术问题，本专利技术提供一种滚动轴承类不平衡故障诊断方法，包括以下步骤：
[0007]S10：对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；
[0008]S20：设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；
[0009]S30：搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；
[0010]S40：利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；
[0011]S50：对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。
[0012]在本专利技术的一个实施例中，在S10中，对在故障状态下获取的少数类故障样本进行变参数时频分析，包括：
[0013]采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。
[0014]在本专利技术的一个实施例中，在S10中，对在正常状态下获取的多数类正常样本进行单个参数时频分析，包括：
[0015]采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。
[0016]在本专利技术的一个实施例中，在S20中，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，包括：
[0017]利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。
[0018]在本专利技术的一个实施例中，S10中的单个参数时频分析的方法和S50中的单个参数时频分析的方法相同。
[0019]在本专利技术的一个实施例中，在S40中，模型训练方法包括自适应矩估计算法、随机梯度下降法以及均方根传递算法。
[0020]此外，本专利技术还提供一种滚动轴承类不平衡故障诊断系统，包括：
[0021]数据增强模块，所述数据增强模块用于对在故障状态下获取的少数类故障样本进
行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；
[0022]特征增强模块，所述特征增强模块用于设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；
[0023]故障诊断模型构建模块，所述故障诊断模型构建模块用于搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；
[0024]模型训练模块，所述模型训练模块用于利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；
[0025]故障诊断模块，所述故障诊断模块用于对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。
[0026]在本专利技术的一个实施例中，所述数据增强模块包括：...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承类不平衡故障诊断方法，其特征在于，包括以下步骤：S10：对在故障状态下获取的少数类故障样本进行变参数时频分析，对在正常状态下获取的多数类正常样本进行单个参数时频分析，获得类平衡的时频特征数据集；S20：设计时频注意力机制网络模型，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，获得时频特征增强数据集；S30：搭建深度学习网络模型，将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端，构建故障诊断模型；S40：利用所述时频特征增强数据集对构建的故障诊断模型进行训练，获得训练好的故障诊断模型；S50：对未知健康状态的轴承振动信号进行单个参数时频分析，获得时频特征，将所述时频特征输入到训练好的故障诊断模型中，得到所述轴承的健康状态。2.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于，在S10中，对在故障状态下获取的少数类故障样本进行变参数时频分析，包括：采用不同的参数进行时频分析，参数的个数为使故障样本时频特征的个数与正常样本的个数相同。3.根据权利要求2所述的滚动轴承类不平衡故障诊断方法，其特征在于，在S10中，对在正常状态下获取的多数类正常样本进行单个参数时频分析，包括：采用一个固定的参数进行时频分析，该参数是变参数时频分析中多个参数中的一个。4.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于，在S20中，利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理，包括：利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。5.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于：S10中的单个参数时频分析的方法和S50中的单个参数时频分析的方法相同。6.根据权利要求1所述的滚动轴承类不平衡故障诊断方法，其特征在于：在S40中，模型训练方法包括自适应矩估计算法、随机梯度下降法以及均方根...

【专利技术属性】
技术研发人员：王俊，许雪梅，丁传仓，沈长青，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：