一种故障诊断方法、系统、设备及存储介质技术方案

本发明专利技术提出了一种故障诊断方法、系统、设备及存储介质，涉及故障诊断技术领域，应用于轴承故障诊断中,包括：获取待诊断的轴承振动信号，并对轴承振动信号进行预处理，得到待识别信号段；通过训练后的轴承故障诊断模型处理所述待识别信号段，以生成并输出待诊断轴承的故障诊断结果；本发明专利技术提出数据最优分割采样点数计算公式，根据轴承不同零部件的故障特征频率，计算最优分割点数；同时设计一种具有长区间滑窗综合测试模块的轴承故障诊断模型，有效解决模型训练信号段与待识别信号段的数据分布不一致的问题，提高模型在实际应用中的预测性能。性能。性能。

【技术实现步骤摘要】
一种故障诊断方法、系统、设备及存储介质


[0001]本专利技术属于故障诊断
，尤其涉及一种故障诊断方法、系统、设备及存储介质。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]轴承（Bearing）是当代机械设备中一种重要部件，主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，轴承的正常运行关乎机械旋转体的安全。
[0004]故障诊断技术是提高轴承运行可靠性和可维护性的一项关键技术，其利用现代状态监测方法和诊断理论，对出现故障的部位、类型、机理、严重程度等进行识别和诊断，并依据诊断结果，确定相应的维修措施和方案；数据表明，通过故障诊断技术，企业能够有效提升轴承运行的连续性、减少停产带来的经济损失，增加经济效益。
[0005]故障诊断技术主要分为基于机理模型驱动和基于数据驱动的两大类方法，基于机理模型驱动的方法通过构建数学模型探索物体的运行规律，并通过研究得到相关动态之间的内在关系，定量计算正常和异常运行状态下的参数和响应信息；然而，随着轴承变得越来越复杂，建立精确的推理模型越来越困难；数据驱动的诊断方法仅使用可测量的状态监测数据或历史数据，对数据进行分析，提取特征信息，即可实现轴承的故障诊断和性能评估。
[0006]旋转在轴承中大量存在，采集到的信号往往是时间序列信号，具有很强的周期性，且不同时间点之间存在很强的相关性，这些周期性和相关性背后也隐藏着大量有价值的信息；然而轴承往往结构复杂，工作时系统中存在多个零部件不同的运动状态，其产生的信号互相调制、相互叠加，造成测量的振动数据表现出复杂的非线性特征；基于数据驱动故障诊断技术中，需要将原始振动数据分割成小样本，并分为训练集和测试集；将训练集输入到神经网络模型中不断优化模型参数；然后将测试集为输入，评估训练得到的轴承故障诊断模型性能。
[0007]然而，现有数据分割步骤并没有充分考虑轴承工作状态的机理，只是单纯从训练和神经网络结构的角度进行数据简单分割。原始数据分割时采用较小的窗口可以减少模型的计算量，增加样本数量；但是小窗口分割的数据包含较少的故障特征信息，导致模型无法充分学习到故障特征；采用大的窗口分割得到的数据集每个样本包含了足够的故障特征信息，但大窗口的干扰信息也增多，同时网络的计算量增加，使模型不能专注于故障特征信号的学习；这使得现有数据分割方法训练得到得故障诊断模模型的性能具有较高的不稳定性。
[0008]现有基于数据驱动的故障诊断方法，训练集和测试集取自同一原始振动信号序列，常采用不等间距滑窗法进行数据集的生成，且训练集和测试集尺寸相同；这使得训练集和测试集具有相同的数据分布，因此训练的轴承故障诊断模型在这种同源测试集上表现良好；训练好的轴承故障诊断模型实际应用中，将新采集的原始数据用相同分割策略生成数
据，输入到训练好的轴承故障诊断模型中进行预测。由于待诊断数据分割时起始位置的不确定性，待诊断数据的相位与模型训练测试的数据相位难以一致，从而待诊断数据的分布与模型训练时的输入的数据分布具有很大差异，导致模型在实际工程应用中的预测性能远低于模型设计性能。
[0009]总结而言，现有的轴承故障诊断方法存在以下不足：（1）数据分割策略主要由实验人员的经验确定，分割后的数据质量具有很高的不确定性，导致训练得到的轴承故障诊断模型性能具有较高的不稳定性。
[0010]（2）由于待诊断数据与训练数据分布差异较大，导致训练好的轴承故障诊断模型在实际工程应用中的预测性能远低于模型训练后的测试性能。

技术实现思路

[0011]为克服上述现有技术的不足，本专利技术提供了一种故障诊断方法、系统、设备及存储介质，提出数据最优分割采样点数计算公式，根据轴承不同零部件的故障特征频率，计算最优分割点数；同时设计一种具有长区间滑窗综合测试模块的轴承故障诊断模型，有效解决模型训练信号段与待识别信号段的数据分布不一致的问题，提高模型在实际应用中的预测性能。
[0012]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：本专利技术第一方面提供了一种故障诊断方法；一种故障诊断方法，应用于轴承故障诊断中，包括：获取待诊断的轴承振动信号，并对轴承振动信号进行预处理，得到待识别信号段；通过训练后的轴承故障诊断模型处理所述待识别信号段，以生成并输出待诊断轴承的故障诊断结果；其中，所述轴承故障诊断模型包括长区间滑窗综合测试模块，用于调整待识别信号段的数据分布，使之与训练信号段的数据分布保持一致。
[0013]进一步的，所述预处理具体为：基于计算得到的最优分割点数，对轴承振动信号进行不重叠连续滑窗采样，得到一组待识别信号段。
[0014]进一步的，所述最优分割点数的计算公式为：其中，SR是轴承振动信号采样率，V是轴承转速，DF
i
是第i种轴承故障类别的故障频率，i=1、2
…
K，K是轴承故障类别个数，ceil(.)为向上取整函数,Avg(.)是取平均数函数。
[0015]进一步的，所述轴承故障诊断模型，包括用于模型训练的训练结构和用于故障诊断的诊断结构；所述诊断结构，是在训练结构基础上，增加长区间滑窗综合测试模块；所述长区间滑窗综合测试模块，包括滑窗采样层和列求和平均层。
[0016]进一步的，所述滑窗采样层，是以最优分割点数为滑窗宽度，对所述待识别信号段
进行逐点重叠连续滑窗采样，得到一组信号段，输入到训练结构中。
[0017]进一步的，所述列求和平均层，是存储训练结构的输出，并对输出进行求和和归一化指数函数计算，得到最终轴承故障类别的预测结果。
[0018]进一步的，所述轴承故障诊断模型的训练具体为：基于最优分割点数，对历史长序列轴承振动信号进行预处理，得到训练集与测试集；用训练集与测试集对轴承故障诊断模型进行训练和测试；其中，训练集是对历史长序列轴承振动信号的前预设比例，按照最优分割点数的二倍进行分割得到的；测试集是对历史长序列轴承振动信号的剩余比例，按照最优分割点数进行分割得到的。
[0019]本专利技术第二方面提供了一种故障诊断系统。
[0020]一种故障诊断系统，应用于轴承故障诊断,包括预处理模块和故障诊断模块：预处理模块，被配置为：获取待诊断的轴承振动信号，并对轴承振动信号进行预处理，得到待识别信号段；故障诊断模块，被配置为：通过训练后的轴承故障诊断模型处理所述待识别信号段，以生成并输出待诊断轴承的故障诊断结果；其中，所述轴承故障诊断模型包括长区间滑窗综合测试模块，用于调整待识别信号段的数据分布，使之与训练信号段的数据分布保持一致。
[0021]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种故障诊断方法中的步骤。
[0022]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种故障诊断方法中的步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障诊断方法，应用于轴承故障诊断中,其特征在于，包括：获取待诊断的轴承振动信号，并对轴承振动信号进行预处理，得到待识别信号段；通过训练后的轴承故障诊断模型处理所述待识别信号段，以生成并输出待诊断轴承的故障诊断结果；其中，所述轴承故障诊断模型包括长区间滑窗综合测试模块，用于调整待识别信号段的数据分布，使之与训练信号段的数据分布保持一致。2.如权利要求1所述的一种故障诊断方法，其特征在于，所述预处理具体为：基于计算得到的最优分割点数，对轴承振动信号进行不重叠连续滑窗采样，得到一组待识别信号段。3.如权利要求2所述的一种故障诊断方法，其特征在于，所述最优分割点数的计算公式为：其中，SR是轴承振动信号采样率，V是轴承转速，DF
i
是第i种轴承故障类别的故障频率，i=1、2
…
K，K是轴承故障类别个数，ceil(.)为向上取整函数，Avg(.)是取平均数函数。4.如权利要求1所述的一种故障诊断方法，其特征在于，所述轴承故障诊断模型，包括用于模型训练的训练结构和用于故障诊断的诊断结构；所述诊断结构，是在训练结构基础上，增加长区间滑窗综合测试模块；所述长区间滑窗综合测试模块，包括滑窗采样层和列求和平均层。5.如权利要求4所述的一种故障诊断方法，其特征在于，所述滑窗采样层，是以最优分割点数为滑窗宽度，对所述待识别信号段进行逐点重叠连续滑窗采样，得到一组信号段，输入到训练结构中。6.如权利要求4所述的一种故障诊断方法，其特征...

【专利技术属性】
技术研发人员：李沂滨，王欢齐，贾磊，王代超，宋艳，
申请(专利权)人：山东大学，
类型：发明
国别省市：