【技术实现步骤摘要】
一种基于小波时频图与深度学习的轴承故障诊断方法
[0001]本专利技术涉及工业设备故障诊断
，尤其涉及一种基于小波时频图与深度学习的轴承故障诊断方法。
技术介绍
[0002]轴承广泛应用于航空航天、交通运输与工业生产等领域的传动系统中。滚动轴承的故障会给传动设备带来巨大损失和影响。轴承状态健康监测与故障诊断对当今工业系统稳定运行具有重大研究意义。
[0003]从轴承的振动信号中包含的信息可以对轴承的状态进行监测，对轴承的故障类别进行判断。健康监测与故障诊断主要包含数据采集、特征提取和模式识别三部分。对振动信号的特征自适应提取能力是衡量故障诊断模型好坏的一个标准。早期故障诊断依靠经验或者简易测量设备，不仅需要人为特征提取，易受人的主观因素影响，而且诊断精度低，成本高。
[0004]随着现代计算机技术的发展，基于时频分析的故障诊断技术应运而生；另外，随着机器学习的不断发展，深度神经网络逐渐用于轴承故障的诊断，利用深度神经网络对轴承进行故障诊断不仅可以实现端到端的无人工处理，更是提高了诊断精度、节约了诊断时间...
【技术保护点】
【技术特征摘要】
1.一种基于小波时频图与深度学习的轴承故障诊断方法，其特征在于，所述方法包括：获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；将每个正常振动信号、外圈故障振动信号、内圈故障振动信号以及滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到包含有正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵的数据集；使用SSA对SDAE的学习率和批量大小两个参数进行全局组合优化，得到优化SDAE；将所述数据集输入至所述优化SDAE中进行训练；将采集到的待检测滚动轴承信号经过输入训练后的SDAE中获得故障评估与诊断结果。2.根据权利要求1所述的一种基于小波时频图与深度学习的轴承故障诊断方法，其特征在于，所述将每个正常振动信号、外圈故障振动信号、内圈故障振动信号以及滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到包含有正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵的数据集，包括：将每个正常振动信号依次进行VMD预处理和CWT处理后，得到与所述正常振动信号对应的二维尺度特征矩阵，根据多个正常振动信号对应的二维尺度特征矩阵得到正常矩阵；将每个外圈故障振动信号依次进行VMD预处理和CWT处理后，得到与所述外圈故障振动信号对应的二维尺度特征矩阵，根据多个外圈故障振动信号对应的二维尺度特征矩阵得到外圈故障矩阵；将每个内圈故障振动信号依次进行VMD预处理和CWT处理后，得到与所述内圈故障振动信号对应的二维尺度特征矩阵，根据多个内圈故障振动信号对应的二维尺度特征矩阵得到内圈故障矩阵；将每个滚动体故障振动信号依次进行VMD预处理和CWT处理后，得到与所述滚动体故障振动信号对应的二维尺度特征矩阵，根据多个滚动体故障振动信号对应的二维尺度特征矩阵得到滚动体故障矩阵；将正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中。3.根据权利要求2所述的一种基于小波时频图与深度学习的轴承故障诊断方法，其特征在于，所述将每个正常振动信号依次进行VMD预处理和CWT处理后，得到与所述正常振动信号对应的二维尺度特征矩阵，根据多个正常振动信号对应的二维尺度特征矩阵得到正常矩阵，包括：将每个正常信号进行VMD预处理获得多个不同频率的BIMF，计算每个BIMF的相关峭度值，获得最大相关峭度值对应的BIMF作为关键BIMF；将所述关键BIMF经过CWT处理得到与所述正常振动信号对应的二维尺度特征矩阵；根据多个正常振动信号对应的二维尺度特征矩阵得到正常矩阵。4.根据权利要求3所述的一种基于小波时频图与深度学习的轴承故障诊断方法，其特征在于，所述根据多个正常振动信...
【专利技术属性】
技术研发人员：程瑶，贾宁，刘云阳，高晨斐，田又源，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。