[发明专利]一种滚动轴承故障智能诊断方法及其系统

说明书

本发明提供一种滚动轴承故障智能诊断方法及其系统，包括以下步骤：收集轴承振动的试验信号和实况信号；将轴承振动的试验信号和实况信号做0‑1标准化处理，并分别划分训练集和测试集；构建LSTM‑softmax网络，使用试验信号训练网络，得到适用于试验的源网络；计算试验信号与实况信号的动态时间规整DTW距离；根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。本发明可以精确提取振动信号的特征，避免了手工选择特征，特征提取不精确的问题；解决了实际工况下不能获得全生命周期数据，可用数据少，难以建立有效的诊断模型的问题，提高了故障诊断在实际生产中的准确性。

技术领域

本发明属于机械设备故障诊断领域，具体涉及一种基于迁移学习和深度学习的滚动轴承故障智能诊断方法及其系统。

背景技术

滚动轴承是机械设备中的重要部件，机械设备发生的故障很大一部分比例是轴承故障，损坏的轴承如果不能及时发现并更换掉，往往会影响设备精度，破环其他部件，严重的甚至会造成生产事故。轴承的损坏往往都是由于长期的工作磨损引起的，故障可分为：外圈故障、内圈故障、保持架故障和滚珠故障，故障不同，轴承振动信号的频率、幅值和相位也会不同。根据振动信号对轴承故障诊断是目前的主流方式，但是由于振动信号是非线性非平稳的，信号特征不明显，并且实际工况下的历史信号不足等困难，因此难以建立符合实际生产要求的模型。因此根据少量实际工况下的历史信号，建立故障诊断模型准确诊断滚动轴承的故障，是实际生产中故障诊断的关键。

目前轴承的故障诊断方式分为基于物理模型和基于数据驱动。基于物理模型的方式是通过考虑轴承与其他部件的相互作用以及外界施加的载荷，建立反映轴承状态的物理模型，因此基于物理模型的方式需要对设备有深入的了解和丰富的经验，然而在结构复杂的设备中与轴承关联的部件多，受力情况复杂，难以建立轴承的物理模型。

基于数据驱动的方式是通过轴承的历史信号与信号处理方法，建立可以诊断轴承故障的数学模型，随着人工智能理论的发展，这种方式越来越普及。传统的故障诊断方法主要特点是提取信号的时频域特征，然后利用信号处理方法对特征分类，这种方式建立的模型精简，计算量小且速度快，但存在需要手工选取特征，模型准确度依赖工程师经验等缺点。

目前基于深度学习模型的故障诊断是一种发展趋势，其应用特点是：利用历史数据训练深度学习模型，将振动信号进行去噪、标准化、分组处理后，输入深度学习模型即可得到诊断结果，这种方式改善了需要手工选择特征，模型准确率依赖特征等不足，但其需要大量的历史数据来训练模型，然而在实际生产中，往往只能获得设备轴承健康状态下的振动信号，难以获得足够的故障状态下的振动信号，因此深度学习模型在实际生产中往往难以取得较好的诊断效果。

发明内容

针对上述问题，本发明提供一种滚动轴承故障智能诊断方法及其系统。在本发明中基于迁移学习和深度学习，将在试验台采集的振动信号称为试验信号，将设备实际工况下的振动信号称为实况信号，以试验信号为训练数据，适用于实验条件下的故障诊断网络称为源网络；以实况信号为训练数据，适用于实际工况下的故障诊断网络称为目标网络。针对实际工况下的可用训练数据少，特征提取困难，难以准确对轴承故障诊断的问题，采用长短时间记忆(LSTM)网络与归一化指数(softmax)回归模型对振动信号进行特征提取和诊断，采用迁移学习的思想，迁移源网络的全部或部分结构和参数，重新构建网络，并使用实况信号训练，得到适用于实际工况的目标网络，以此提高故障诊断在实际生产中的准确性和可实现性。

本发明的技术方案是：一种滚动轴承故障智能诊断方法，包括以下步骤：

步骤S1：振动信号的采集：收集轴承振动的试验信号和实况信号；

步骤S2：振动信号的预处理：将轴承振动的试验信号和实况信号做0-1标准化处理，并分别划分训练集和测试集；