一种基于深度学习的轴承故障检测方法技术

本发明专利技术公开了一种基于深度学习的轴承故障检测方法，用于融合滚动机械故障诊断的时间和频率特征。其包括：构建深度学习模型，其包括多尺度特征提取(MFEM)、跨域协同注意机制(CDCA)；训练模型以获得最优的权值和偏置，得到能够实现轴承故障诊断高正确率的深度学习模型；利用训练好的深度学习模型进行滚动机械故障诊断实验。从原始振动信号中分别提取跨时域和频域的多尺度特征，然后将其与共同关注机制融合。有助于模型提供比最先进的方法更可靠的诊断。对轴承和齿轮箱数据集进行了实验，以评估故障诊断性能。广泛的实验结果和综合分析证明了所提出的跨域协同注意网络(CDCAN)在诊断正确性和适应性方面的优势。

【技术实现步骤摘要】

本专利技术设计了一种基于深度学习的轴承故障检测方法，具体是指由于滚动轴承长期工作于冲击大、转速高的恶劣条件，经常面临剧烈变化的负荷工作，采样得到的振动信号通常具有较高的复杂性、耦合性和不确定性。通过设计端到端的神经网络，并用大量数据对该网络进行训练，从而实现了在恶劣条件下，准确地对滚动轴承进行故障诊断。

技术介绍

1、滚动轴承作为大部分机械设备中最主要的零部件，关系着整个工业生产的安全与效率。同时，由于轴承长期持续运行在重负荷和高转速的情况下，运行状态复杂多变，也是机械设备中最易出现故障的单元。准确地对轴承进行故障诊断可以实现对机械设备的及时维护，进而减少工业生产中的安全隐患和经济损失。滚动轴承的振动信号能够及时准确地反应机械设备中轴承的运行状态，更好地表达故障特征，利用振动信号分析对设备故障进行检测是故障检测中常用的方法。

2、由于滚动轴承长期工作于冲击大、转速高的恶劣条件，经常面临剧烈变化的负荷工作，因此，振动信号通常表现出多尺度特性，并在多个时间尺度上包含复杂的模式。这种固有的多尺度特征由于缺乏有效的多尺度特征提取方法而往往被传统的诊断模本文档来自技高网...

【技术保护点】

1.一种基于深度学习的轴承故障诊断方法，包括如下步骤：

2.根据权利要求1的一种基于深度学习的滚动轴承故障诊断方法，其特征在于，所述步骤S2中训练集的预处理过程为：将所有滚动轴承数据集样本按照比例3：1：1随机分配为训练集、验证集和测试集，每个样本包含若干个采样点。

3.根据权利要求1所属的一种深度学习的滚动轴承故障诊断方法，其特征在于，所述步骤S2中深度学习模型的训练过程如下：

【技术特征摘要】

1.一种基于深度学习的轴承故障诊断方法，包括如下步骤：

2.根据权利要求1的一种基于深度学习的滚动轴承故障诊断方法，其特征在于，所述步骤s2中训练集的预处理过程为：将所有滚动轴承数据集样本按照...

【专利技术属性】
技术研发人员：孟然，谭宪军，陈哲，
申请(专利权)人：河海大学，
类型：发明
国别省市：