一种滚动轴承的故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115060494A(43)申请公布日2022.09.16(21)申请号202210593610.1(22)申请日2022.05.27(71)申请人燕山大学地址066004河北省秦皇岛市河北大街西段438号(72)发明人梁朋飞于卓泽田嘉野帅瀚钦陶睿(74)专利代理机构北京孚睿湾知识产权代理事务所(普通合伙)11474专利代理师刘翠芹(51)Int.Cl.G01M13/045(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图4页(54)发明名称一种滚动轴承的故障诊断方法(57)摘要本发明提供一种滚动轴承的故障诊断方法，其包括以下步骤：将采集的滚动轴承的振动信号划分并转换为小波时频图像；对所有小波时频图像处理得到训练集、验证集和测试集；构建深度残差网络；确定训练集中错误标记样本的个数；使用训练集和验证集对预先创建的改进的深度残差网络进行训练和验证，得到验证集上诊断效果最优的诊断模型；使用测试集测试最优的诊断模型，并输出故障诊断结果。该方法利用奇异值分解求解最大值进行降维，能够保留更多的特征值；利用全局奇异值代替全连接层，避免过度拟合；损失函数能够最大化的降低错误标记样本对诊断结果的影响，最后得到的诊断模型对噪声环境的适应性更强，并且故障诊断稳定性更好，诊断结果更加准确。CN115060494ACN115060494A权利要求书1/2页1.一种滚动轴承的故障诊断方法，其特征在于：其包括以下步骤：S1、将采集的滚动轴承的振动信号划分为前后衔接的多个数据段，并利用小波变换公式将采集到的振动信号转换为小波时频图像；S2、对所有小波时频图像进行随机划分和归一化处理，得到训练集、验证集和测试集；S3、根据预定的测试指标，确定训练集中的错误标记样本的个数，测试指标包括测试准确率和工程实际经验；S4、构建深度残差网络，深度残差网络包括卷积层、奇异值分解池化层以及奇异值分解自适应层，所述奇异值分解池化层用于利用奇异值分解法得出多个卷积核的奇异值，并构建多个卷积核的奇异值矩阵作为奇异值分解池化层的输出矩阵，所述奇异值分解自适应层用于利用奇异值分解法计算得出每一张小波时频图像的奇异值，并将所有小波时频图像的奇异值拼接为向量作为深度残差网络softmax层的输入向量；S5、在所述深度残差网络中添加损失函数和激活函数，所述损失函数的表达式如下式所示：其中，t1和t2均为常数，0≤t1<1,t2>1,zj代表softmax层的输入,[·]+＝max{·,0}，γt(z)通过进行计算，N为求和，x为样本，i为样本的数量，c为故障类别总数，j为1,2，...c的常数；所述激活函数如下式所示：S6、对深度残差网络的学习率进行优化，使用动态学习率代替常用的静态学习率，使学习率随着训练进行而逐渐减小，动态学习率的公式如下式所示：其中，μ为当前学习率；μmin为最小学习率；μ0为初始学习率；δ为为衰减因子；gs为当前训练步数；ds为批处理中样本数和整个训练集样本个数之比；S7、使用训练集对深度残差网络进行训练，并使用验证集对步骤S5的深度残差网络进行验证，得到验证集验证的诊断效果最优的训练后的故障诊断模型；S8、将测试集作为步骤S6得到的最优的故障诊断模型的输入，并输出最终的故障诊断结果。2.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S1中的小波变换公式如下式所示：其中，WTx(a,τ)为小波变换系数，x(t)为采集到的振动信号，ψa,τ(t)为小波基函数，a为尺度因子，τ为平移量，具体的，小波基函数为Morlet小波，且中心频率和带宽均为3；t是采2CN115060494A权利要求书2/2页集振动信号的时间。3.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S1中使用试验平台采集滚动轴承的振动信号，所述试验平台包括电机、转矩传感器、功率计和电子控制设备，所述试验平台包括电机、转矩传感器、功率计分别与所述电子控制设备通讯连接并受控于所述电子控制设备；使用加速度传感器采集滚动轴承运行过程中的加速度信号，所述加速度传感器沿滚动轴承旋转轴的轴向或者径向设置。4.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S1中向采集的振动信号中加入高斯白噪声，从而能够模拟强噪音的环境，所述高斯白噪声按信噪比分为8个档次，从低到高分别为‑4、‑2、0、2、4、6、8、10。5.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S2中按照设定的划分比例将多个小波时频图像作为样本随机划分为训练集、验证集和测试集，并分别进行归一化处理。3CN115060494A说明书1/8页一种滚动轴承的故障诊断方法技术领域[000