滚动轴承智能诊断方法和装置制造方法及图纸

本申请提出了一种滚动轴承智能诊断方法，该方法包括：获取滚动轴承的原始振动信号，将原始振动信号转化为时频图像，并对时频图像进行预处理；通过利用残差网络进行图像特征提取，并结合多尺度特征提取融合模块进行特征优化选择，构建轴承故障智能诊断模型；根据经过预处理的时频图像构建训练数据集，并基于训练数据集对轴承故障智能诊断模型进行训练，得到训练好的轴承故障智能诊断模型；获取待识别轴承振动信号，将待识别轴承振动信号转化为待识别时频图像，并对待识别时频图像进行预处理；将经过预处理的待识别时频图像输入训练好的轴承故障智能诊断模型进行识别，生成待识别轴承振动信号的识别结果。本申请提高了滚动轴承故障诊断的准确性。故障诊断的准确性。故障诊断的准确性。

【技术实现步骤摘要】
滚动轴承智能诊断方法和装置


[0001]本申请涉及轴承故障诊断
，尤其涉及一种滚动轴承智能诊断方法和装置。

技术介绍

[0002]滚动轴承是机械传动系统的关键核心部件，广泛应用于如采煤机、往复柱塞泵等高端装备，对滚动轴承进行状态监测并及时预警早期故障，能够保障高端装备的安全稳定运行。
[0003]工业上主要采用振动信号监测轴承的健康状态，通过对轴承信号的分析和处理，判断轴承是否发生故障，发生何种故障。然而，高端装备工况多样，复杂环境下的轴承振动信号往往会受到严重的噪声污染。深度学习模型能够自动提取信号特征，对复杂问题进行建模分析，得到了广泛的关注和研究，在故障诊断领域也取得了成功应用。
[0004]目前轴承故障智能诊断方法主要是先对轴承振动信号进行信号预处理，然后利用不同类型的深度学习模型自动提取信号特征，进而实现滚动轴承不同故障类型的自动识别。但是现有的轴承故障诊断模型并未对模型提取的众多特征进行深度有效融合，一方面体现在没有从多维度对特征进行融合，一方面没有对特征进行优化选择，进而提取敏感的、有效特征形成表征能力强的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承智能诊断方法，其特征在于，包括以下步骤：获取滚动轴承的原始振动信号，将所述原始振动信号转化为时频图像，并对所述时频图像进行预处理；通过利用残差网络进行图像特征提取，并结合多尺度特征提取融合模块进行特征优化选择，构建轴承故障智能诊断模型；根据经过预处理的时频图像构建训练数据集，并基于所述训练数据集对所述轴承故障智能诊断模型进行训练，得到训练好的轴承故障智能诊断模型；获取待识别轴承振动信号，将所述待识别轴承振动信号转化为待识别时频图像，并对所述待识别时频图像进行预处理；将经过预处理的待识别时频图像输入所述训练好的轴承故障智能诊断模型进行识别，生成所述待识别轴承振动信号的识别结果。2.如权利要求1所述的方法，其特征在于，所述将所述原始振动信号转化为时频图像，并对所述时频图像进行预处理，包括：利用基于Morlet小波基的连续小波变换时频分析方法将所述原始振动信号转化为时频图像；对所述时频图像进行尺寸调整、中心裁剪、随机翻转和归一化，得到经过预处理的时频图像。3.如权利要求1所述的方法，其特征在于，所述通过利用残差网络进行图像特征提取，并结合多尺度特征提取融合模块进行特征优化选择，构建轴承故障智能诊断模型，包括：利用多尺度特征提取融合模块替换残差网络的部分卷积层，并基于替换后的残差网络构建轴承故障智能诊断模型。4.如权利要求1所述的方法，其特征在于，所述基于所述训练数据集对所述轴承故障智能诊断模型进行训练，得到训练好的轴承故障智能诊断模型，包括：对所述轴承故障智能诊断模型进行初始化；根据所述训练数据集对所述轴承故障智能诊断模型进行训练，当所述轴承故障智能诊断模型的训练损失趋于稳定时停止训练，得到训练好的轴承故障智能诊断模型。5.如权利要求4所述的方法，其特征在于，所述根据所述训练数据集对所述轴承故障智能诊断模型进行训练，当所述轴承故障智能诊断模型的训练损失趋于稳定时停止训练，得到训练好的轴承故障智能诊断模型，包括：将训练数据集中的样本和样本的真实故障类别输入所述轴承故障智能诊断模型，...

【专利技术属性】
技术研发人员：赖岳华，李然，刘波，叶健，吴早阳，李丹宁，
申请(专利权)人：北京煤科天玛自动化科技有限公司，
类型：发明
国别省市：