一种轴承故障诊断方法技术

本发明专利技术公开一种轴承故障诊断方法，包括以下步骤：针对滚动轴承振动信号进行预处理，对振动信号进行连续小波变换获得时频图，用同步压缩方法对小波系数进行提取小波脊线，获得清晰的时频表达结果图，进行归一化操作，将数据集划分为训练集和测试集；利用卷积神经网络强大的特征提取能力提取时频图特征；将提取的特征通过双向长短期记忆层；引入注意力机制层调整不同特征向量的注意力权重，过滤冗余特征，保留目标特征；最终利用softmax分类器输出分类标签。本发明专利技术可以使轴承故障诊断精度更高，并且在不同背景噪声的干扰下，特征学习能力更强。强。强。

【技术实现步骤摘要】
一种轴承故障诊断方法


[0001]本专利技术属于机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)人工智能
，尤其涉及一种基于同步压缩小波变换的卷积双向长短时记忆和注意力机制的轴承故障诊断方法。

技术介绍

[0002]滚动轴承是工业机械中使用最广泛的轴承之一，同时也是重要的机器部件，其健康状况是保证设备能够正常工作的关键因素。据相关文献统计，约有40％
‑
50％的旋转机械设备故障是由滚动轴承故障引起的。轴承轴承一旦发生故障，会引发大面积的机械故障，也可能会影响加工质量，降低机械使用寿命，会导致整个系统运行出现问题并带来经济损失，由于滚动轴承故障是制造中的主要问题，因此建立一种实用的算法工具来准确、快速、可靠地诊断原始信号与故障模式之间的复杂非线性相关性至关重要。
[0003]早期的故障诊断主要提取振动信号的时域、频域和时频域特征。由于滚动轴承故障振动信号大部分是非线性和非平稳信号,时频分析方法,如小波变换,经验模态分解(Empirical Mode Decomposi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承故障诊断方法，其特征在于：包括以下步骤：步骤a，将轴承振动信号进行预处理，进行连续小波变换获得时频图；步骤b，用同步压缩方法对小波系数提取小波脊线，获得时频表达结果图；步骤c，将步骤b中由时频表达结果图构成的数据集进行归一化操作，之后划分为训练集、测试集和验证集；步骤d，搭建卷积神经网络模型，设置模型参数；步骤e，模型训练：将训练集输入步骤d中搭建的卷积神经网络模型，通过卷积神经网络模型提取训练集的时频图特征；步骤f，将提取到的时频图特征通过双向长短时记忆层捕捉时序数据的时间相关性；步骤g，将步骤e中通过双向长短时记忆层的特征，通过注意力机制层调整不同特征向量的注意力权重；步骤h，利用softmax分类器输出轴承故障分类结果；步骤i，将验证集输入步骤h中训练后的卷积神经网络模型，以验证卷积神经网络模型的训练效果，根据验证结果微调卷积神经网络模型的参数；步骤j，判断卷积神经网络模型的网络训练次数m是否达到预先设定的迭代次数N，如果是，进行下一步，否则重复步骤e；步骤k，将测试集输入步骤j中验证后的卷积神经网络模型，以测试已验证的卷积神经网络模型性能。2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤a具体为：首先对滚动轴承信号进行预处理，进行连续小波变换获得时频图；之后采集振动信号，对信号进行重叠截取，获取时频图并缩放为32
×
32大小的图像；其中，连续小波变换具体公式为：其中，a和为尺度因子；b为时移因子；ψ(t)为母小波；ψ
a,b
(t)为小波基函数，由母小波通过改变a和b而产生的一组函数。3.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤b中，同步压缩公式为：其中，T
f
(ω
l
,b)为同步压缩小波变换系数矩阵；ω为频率变量；a为尺度因子；ω
l
为离散的频率重心；b为小波变换系数矩阵的时移因子；a
k
‑
a
k
‑1＝(Δa)
k
；ω
l
‑
ω
l
‑1＝Δω；a
k
为第k个小波系数W
f
的尺度因子。
4.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤c中，将得到的时频图归一化，之后添加标签并随机划分为训练集、验证集和测试集；其中采用min
‑
max标准化方法对轴承信号进行归一化处理，并将其结果映射到[0,255]之间；min
‑
max具体公式为：其中，X是原始数据；Xnorm是归一化之后的结果；Xmax是原始数据中最大值；Xmin是原始数据中最小值；round函数对数值进行四舍五入。5.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤e中，卷积神经网络采用LeNet...

【专利技术属性】
技术研发人员：钱陈，皋军，邵星，王翠香，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：