一种基于深度学习的轴承故障诊断方法及系统技术方案

本发明专利技术公开一种基于深度学习的轴承故障诊断方法及系统，方法包括：首先，获取滚动轴承的原始振动信号，基于原始振动信号，采用AVMD算法和TOTEO算法对原始振动信号进行处理，以获得多种故障类型的数据集；将数据集划分为训练集和测试集；其次，建立GRU‑CNN‑GAP网络模型，采用训练集对GRU‑CNN‑GAP网络模型进行训练，以得到轴承故障诊断模型；最后，利用轴承故障诊断模型对测试集进行测试，以获得滚动轴承故障诊断分类结果，提高了故障诊断精度。

【技术实现步骤摘要】

本专利技术涉及滚动轴承故障诊断，具体涉及一种基于深度学习的轴承故障诊断方法及系统。

技术介绍

1、随着工业设备的智能化发展，滚动轴承作为机械设备中的重要组成部分，在集成度高的复杂运行环境中往往会受到粉尘、腐蚀和润滑不足等恶劣环境的影响从而造成设备故障，特别是设备中的滚动轴承发生故障后若未能及时预警和处理，将会造成重大的安全事故，给企业带来极大的经济损失。因此如何准确且及时诊断出轴承的故障显得尤为重要。

2、目前，主流的故障诊断方法主要分为两种。一种是以信号分析为主的故障诊断方法，如经验模态分解、变分模态分解和奇异值分解等，该方法主要依靠人工提取故障信号的特征值，从而对故障进行诊断。另一种是以数据驱动为主的深度学习方法，该方法无需人工参与，可自动提取信号特征，具有较高的准确率，因此被广泛应用于故障诊断领域。

技术实现思路

1、本专利技术的目的在于克服上述技术不足，提供一种网关产品前后台输入的测试方法、装置、设备及介质，解决现有技术中轴承故障诊断准确度不高技术问题。

2、为达到上述技术目的本文档来自技高网...

【技术保护点】

1.一种基于深度学习的轴承故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的轴承故障诊断方法，其特征在于，所述原始振动信号至少包括外圈故障振动信号、内圈故障振动信号、滚动体故障振动信号、正常状态振动信号中的一种。

3.根据权利要求2所述的基于深度学习的轴承故障诊断方法，其特征在于，所述依次采用AVMD算法和TOTEO算法对所述原始振动信号进行处理，以获得多种故障类型的数据集，包括：

4.根据权利要求3所述的基于深度学习的轴承故障诊断方法，其特征在于，所述VMD算法的最优解计算式为：

5.根据权利要求3所述的基于...

【技术特征摘要】

1.一种基于深度学习的轴承故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的轴承故障诊断方法，其特征在于，所述原始振动信号至少包括外圈故障振动信号、内圈故障振动信号、滚动体故障振动信号、正常状态振动信号中的一种。

3.根据权利要求2所述的基于深度学习的轴承故障诊断方法，其特征在于，所述依次采用avmd算法和toteo算法对所述原始振动信号进行处理，以获得多种故障类型的数据集，包括：

4.根据权利要求3所述的基于深度学习的轴承故障诊断方法，其特征在于，所述vmd算法的最优解计算式为：

5.根据权利要求3所述的基于深度学习的轴承故障诊断方法，其特征在于，所述能量比计算式为：

6.根据权利要求3所述的基于深度学习的轴承故障诊断方法，其特征在于，所述tote...

【专利技术属性】
技术研发人员：蔡华锋，陈五一，吴婷，陈俊，孙秋，蔡天荣，陈尔明，陈庚光，
申请(专利权)人：襄阳湖北工业大学产业研究院，
类型：发明
国别省市：