【技术实现步骤摘要】
本专利技术涉及一种圆锥滚子轴承的微弱损伤诊断方法、系统，属于故障诊断技术与信号处理分析。
技术介绍
1、圆锥滚子轴承作为一类既能承受径向载荷又能承受轴向载荷的轴承，被广泛用于各类旋转机械的支承系统中，一旦故障将严重影响机械设备的安全运行。针对圆锥滚子轴承的滚道贯通剥落故障，可使用包络分析等经典方法进行有效诊断。但圆锥滚子轴承滚道故障早期，其故障形式常为非贯通局部剥落，故障振动信号较为微弱，难以直接通过经典方法进行诊断。因此，有必要发展圆锥滚子的微弱损伤诊断方法。
2、短时傅里叶变换(stft)是一种有效的时间-频率分析工具，能够清晰地分解信号并提取频谱特征，从而直观地显示潜在的异常成分。然而，在提取微弱异常特征时，stft面临窗口长度选择困难的问题。与此同时，卷积神经网络(cnn)作为一种强大的深度学习模型，特别适合处理图像数据，能够自动学习不同类型的特征，提高检测的准确性和效率。然而，cnn在故障诊断时也遇到特征提取不全面的挑战。为了解决这些问题，提升信号的特征表达和固有特征的提取显得尤为重要，以便准确评估圆锥滚子轴承的状态。
技术实现思路
1、本专利技术提供了一种圆锥滚子轴承的微弱损伤诊断方法、系统，解决了圆锥滚子轴承微弱损伤振动信号故障特征微弱难以提取的问题，实现了圆锥滚子轴承微弱损伤的诊断。
2、本专利技术的技术方案是：
3、根据本专利技术的第一方面，提供了一种圆锥滚子轴承的微弱损伤诊断方法，包括以下步骤：
4、步骤1：采集圆
5、步骤2：依据引入动态变化的窗口长度的短时傅里叶变换对振动信号进行时频特征提取，获取不同状态下的第一圆锥滚子轴承加速度振动信号的二维时频图像，得到加速度振动信号图像样本集；
6、步骤3：构建生成对抗网络模型，基于步骤2中所得的加速度振动信号图像样本集对所建模型进行训练，再利用训练后的模型生成第二圆锥滚子轴承加速度振动信号的二维时频图像，作为加速度振动信号扩充图像样本集；
7、步骤4：将加速度振动信号扩充图像样本集并入加速度振动信号图像样本集，获得加速度振动信号图像混合样本集；预设训练、测试和验证比例，将加速度振动信号图像混合样本集划分为训练v集、测试集和验证集；
8、步骤5：构建用于分类识别的圆锥滚子轴承微弱损伤识别模型；
9、步骤6：将步骤4中得到的训练集输入到步骤5构建的圆锥滚子轴承微弱损伤识别模型进行训练，再根据验证集的结果进行超参数调试，获得训练好的圆锥滚子轴承微弱损伤识别模型；
10、步骤7：将步骤4得到的测试集/待诊断的圆锥滚子轴承的时频图像输入步骤6所得的训练好的圆锥滚子轴承微弱损伤识别模型中进行测试/诊断。
11、进一步地，所述不同状态下的加速器振动信号数据集中的状态分为单点中心损伤、贯通损伤、整周边缘损伤、整周中心损伤和正常五类。
12、进一步地，所述步骤2具体为：
13、针对选取的步骤1构建的不同状态下的加速器振动信号数据集中的加速度振动信号样本，依据动态变化的窗口长度进行数据段的划分，得到多个短时间帧信号；
14、对每一短时间帧信号进行快速傅里叶变换，得到对应的频谱；将所有帧的频谱结果组合，获取第一圆锥滚子轴承加速度振动信号的二维时频图像。
15、进一步地，设定初始窗口长度为l1，在n>1时，根据能量分布动态调整窗口长度ln，规则如下：
16、如果e(n-1)>ehigh，设定窗口长度ln＝lmin；其中，n>1；
17、如果e(n-1)<elow，设定窗口长度ln＝lmax；其中，n>1；
18、如果elow≤e(t)≤ehigh，窗口长度根据能量线性插值：
19、
20、式中，ehgih、elow分别表示预设的能量阈值的最大值、最小值；lmax、lmin分别表示预设的滑动窗口长度阈值的最大值、最小值；e(n-1)表示第n-1个短时间帧信号的能量；ln为第n个短时间帧信号的窗口长度。
21、进一步地，所述步骤3具体为：
22、构建生成对抗网络模型，所述构建生成对抗网络模型包括生成器、判别器；
23、根据图像的分辨率调整生成对抗网络模型的参数；
24、基于步骤2中所得的加速度振动信号图像样本集对所建模型进行训练，再利用训练后的模型生成第二圆锥滚子轴承加速度振动信号的二维时频图像，作为加速度振动信号扩充图像样本集。
25、进一步地，所述生成器采用四层卷积层，卷积层训练步长为1～2，生成样本的分辨率大小与步骤2的加速度振动信号图像样本集中图像分辨率大小相等，生成器损失函数loss1计算公式如下：
26、
27、式中，n为每次训练的样本数量，pj表示每次训练的第j个原始样本，d表示判别器，d(pj)表示原始样本pj为真的概率；
28、所述判别器损失函数loss2计算公式如下：
29、
30、式中，pj表示每次训练的第j个原始样本，yj为每次训练生成器生成的第j个生成样本，d(yj)表示生成样本为假的概率，λ表示控制梯度惩罚强度的超参数；表示梯度惩罚的值，表示pj和yj的均匀采样，ε从均匀分布中随机采样得到，表示的l2范数，为判别器对输出结果的梯度。
31、进一步地，所述圆锥滚子轴承微弱损伤识别模型包含多个卷积层、多个激活层、多个池化层、一个dropout层、多个注意力机制层、全连接层；将时频图像作为输入经第一卷积模块进行特征提取后通过三个结构相同的分支进行特征提取，各分支均为依次连接的第二卷积模块、第三卷积模块、注意力机制层，通过三个分支实现多尺度特征提取，三个分支输出的结果经特征融合后再经dropout层、全连接层后采用softmax函数获得分类输出结果；其中，第一、二、三卷积模块均由一个卷积层、一个激活层、一个池化层构成。
32、根据本专利技术的第二方面，提供了一种圆锥滚子轴承的微弱损伤诊断系统，包括上述中任意一项所述圆锥滚子轴承的微弱损伤诊断方法的模块。
33、根据本专利技术的第三方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的圆锥滚子轴承的微弱损伤诊断方法。
34、本专利技术的有益效果是：针对传统方法需要依靠专家识别异常特征，存在诊断结果受先验知识影响的问题，本专利技术提出了采用引入动态变化的窗口长度的短时傅里叶变换获得二维时频图像，该方法具有削弱背景干扰，增强异常振动信号特征的优点，且计算方便，振动信号特征全面，自适应程度明显；在此基础上，再采用生成对抗网络模型对不同状态下的时频图像进行特征分析，扩充样本，解决了圆锥滚子轴承微弱损伤故障信号难以提取的问题；进一步地，针对卷积神经网络对训练样本要求严格的特点，同时考虑到样本量的细微差异和权重固定的本文档来自技高网...
【技术保护点】
1.一种圆锥滚子轴承的微弱损伤诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述不同状态下的加速器振动信号数据集中的状态分为单点中心损伤、贯通损伤、整周边缘损伤、整周中心损伤和正常五类。
3.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述步骤2具体为：
4.根据权利要求3所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，设定初始窗口长度为L1，在n>1时，根据能量分布动态调整窗口长度Ln，规则如下：
5.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述步骤3具体为：
6.根据权利要求5所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述生成器采用四层卷积层，卷积层训练步长为1～2，生成样本的分辨率大小与步骤2的加速度振动信号图像样本集中图像分辨率大小相等，生成器损失函数Loss1计算公式如下：
7.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述圆锥滚子轴承微弱损伤识别模型包含多个
8.一种圆锥滚子轴承的微弱损伤诊断系统，其特征在于，包括权利要求1-7中任意一项所述圆锥滚子轴承的微弱损伤诊断方法的模块。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-7中任意一项所述的圆锥滚子轴承的微弱损伤诊断方法。
...【技术特征摘要】
1.一种圆锥滚子轴承的微弱损伤诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述不同状态下的加速器振动信号数据集中的状态分为单点中心损伤、贯通损伤、整周边缘损伤、整周中心损伤和正常五类。
3.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述步骤2具体为：
4.根据权利要求3所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，设定初始窗口长度为l1，在n>1时，根据能量分布动态调整窗口长度ln，规则如下：
5.根据权利要求1所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述步骤3具体为：
6.根据权利要求5所述的圆锥滚子轴承的微弱损伤诊断方法，其特征在于，所述生成器采用四层卷积层，卷积层训练步长为1～2，生成样本的分辨率大小与步骤2的加速度振动信号图像样本集中图像分辨率大小相等，生成器损失函数loss...
【专利技术属性】
技术研发人员：康伟，周茂萱，郭瑜，尹兴超，樊家伟，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。