基于卷积神经网络模型检测轴承故障的方法和设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114427971A(43)申请公布日2022.05.03(21)申请号202011178207.X(22)申请日2020.10.29(71)申请人舍弗勒技术股份两合公司地址德国黑措根奥拉赫(72)发明人邱志胡华亮潘智慧(74)专利代理机构北京东方亿思知识产权代理有限责任公司11258代理人柳春雷(51)Int.Cl.G01M13/045(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图4页(54)发明名称基于卷积神经网络模型检测轴承故障的方法和设备(57)摘要本发明涉及一种基于卷积神经网络模型检测轴承故障的方法和设备。该检测方法包括：A)获取轴承卷积神经网络模型；B)获取轴承的振动信号；C)对所获取的振动信号进行预处理以得到在时频域上的特征图；D)将得到的特征图输入到所获取的轴承卷积神经网络模型中，得到轴承故障诊断信息。该检测设备执行上述方法。CN114427971ACN114427971A权利要求书1/1页1.一种基于卷积神经网络模型检测轴承故障的方法，所述方法包括：A)获取轴承卷积神经网络模型；B)获取轴承的振动信号；C)对所获取的振动信号进行预处理以得到在时频域上的特征图；D)将得到的特征图输入到所获取的轴承卷积神经网络模型中，得到轴承故障诊断信息。2.根据权利要求1所述的方法，其中，所述轴承卷积神经网络模型构造为多层多神经元的深度学习卷积神经网络模型。3.根据权利要求2所述的方法，其中，所述轴承卷积神经网络模型包括图像输入层、卷积层、线性修正单元层、批处理归一化层、最大池化层、全连接层、柔性最大值传输层，以及输出层。4.根据权利要求1所述的方法，其中，通过如下步骤建立所述轴承卷积神经网络模型：A1)准备关于轴承故障的数据集并且对所述数据集进行标签分类；A2)将经标签分类的数据集中的振动信号进行预处理以得到在时频域上的特征图；A3)预设卷积神经网络模型；A4)利用所述经标签分类的特征图来训练预设的卷积神经网络模型。5.根据权利要求4所述的方法，其中，按照轴承失效部件和对应所述轴承失效部件的失效尺寸对所述数据集进行标签分类。6.根据权利要求4所述的方法，其中，针对每个标签分类，在时频域上的特征图不少于5000帧。7.根据权利要求1或4所述的方法，其中，所述振动信号的预处理包括：C1)对所述振动信号进行包络解调分析得到解析信号；C2)对所述解析信号进行低通滤波处理得到低频信号；C3)利用时频域分析方法从所述低频信号提取在时频域上的故障特征。8.根据权利要求7所述的方法，其中，所述时频域分析方法是短时傅里叶变换或者连续小波变换。9.根据权利要求1所述的方法，其中，所述轴承故障诊断信息包括轴承失效部件和对应所述轴承失效部件的失效尺寸。10.一种基于卷积神经网络模型检测轴承故障的设备，所述设备能够执行根据权利要求1至9中任一项所述的方法。11.根据权利要求10所述的设备，其中，所述设备包括：-传感器，其用于检测轴承的振动信号；以及-处理器，其用于执行：获取轴承卷积神经网络模型；对所获取的振动信号进行预处理以得到在时频域上的特征图；将得到的特征图输入到轴承卷积神经网络模型中，得到轴承故障诊断信息。2CN114427971A说明书1/5页基于卷积神经网络模型检测轴承故障的方法和设备技术领域[0001]本发明涉及轴承技术领域。本申请具体涉及用于检测轴承故障的方法以及设备。背景技术[0002]轴承的运行状态无论对于列车的安全运行还是大型设备的正常运转都至关重要，提前预知轴承运行状态和发展趋势对于设备正常运转，减少财产损失有着重要意义。[0003]目前，轴承的故障检测主要以包络解调等方法来对轴承振动信号进行分析，进而评判轴承故障以及预估失效尺寸。例如在中国专利文献CN102840907B中公开了一种对滚动轴承的振动信号特征提取和分析方法，其中，该方法通过插值重采样技术获得包络信号并且对其作包络谱分析。[0004]然而，已知的轴承故障诊断技术、尤其对轴承失效尺寸的预估等需要经过复杂的信号处理，如包络解调，重采样，滤波处理，降噪，特征值计算等多个步骤。因此在进行大量数据分析时，耗费的时间较长且占用的数据处理资源较多。此外，当前轴承故障检测中的关键参数、例如关键阈值等的设定涉及较多的人为主观因素，由此轴承故障的检测结果可能会有准确度以及精度不高等缺点。发明内容[0005]因此，本发明的目的在于提供一种用于检测轴承故障的方法和设备，借助提供的方法和设备能够更精确地对轴承故障进行检测，该检测过程优选能够省时省力地完成。[0006]上述目的在一方面通过一种基于卷积神经网络模型检测轴承故障的方法实现。该检测方法包