[发明专利]一种基于SSA-WDCNN的滚动轴承故障诊断方法

权利要求书

1.一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

S1：对含噪声的滚动轴承振动信号进行奇异谱分析，获取重构后的振动信号；

S2：将重构后的振动信号输入到故障诊断模型进行训练；

S3：将待诊断的原始信号送入训练好的故障诊断模型，进行滚动轴承故障诊断。

2.根据权利要求1所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的故障诊断模型为卷积神经网络。

3.根据权利要求2所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的卷积神经网络的首层卷积层为宽卷积层。

4.根据权利要求2所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的卷积神经网络包括依次设置的第一卷积层、BN层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层和第五池化层、全连接层和softmax层，其中第一卷积层为宽卷积层。

5.根据权利要求4所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的宽卷积层的卷积核宽度为64。

6.根据权利要求1所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，步骤S1具体包括：

S11：将含噪声的滚动轴承振动信号转化为轨迹矩阵；

S12：对轨迹矩阵进行奇异值分解；

S13：根据奇异值分解结果重构新的轨迹矩阵；

S14：对重构获取的新的轨迹矩阵进行对角化平均，将新的轨迹矩阵转化为一维时间序列；

S15：判断新的轨迹矩阵的一维时间序列的信噪比是否大于设定信噪比，若是，进入步骤S2，否则将一维时间序列送入步骤S11。

7.根据权利要求6所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的步骤S11中含噪声的滚动轴承振动信号X_N为：

X_N＝{f₁,f₂，…，f_N}

其中，f_N为长度为N时间序列信号分量，

转化后的轨迹矩阵X为：

其中，f_n+m-1为m×n窗口轨迹矩阵的元素信号。

8.根据权利要求7所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的步骤S12的具体步骤包括：

定义协方差矩阵C＝XX^T，求矩阵C的特征值并根据特征值大小降序排列，获取C的m个特征值：λ₁≥λ₂≥...≥λ_m≥0，所述的m个特征值对应的特征向量为U₁，U₂…U_m，

定义所述的轨迹矩阵X的奇异值分解为：

X＝X₁+X₂+…X_i+…X_m

其中，为矩阵X的奇异值，U_i为轨迹矩阵的经验证交函数，V_i为主成分，V_i为轨迹矩阵的右特征向量，U_i为轨迹矩阵的左特征向量。

9.根据权利要求8所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的步骤S13的具体步骤包括：

对要提取的奇异值阶数d进行设置，并且d＜m，采用奇异值中心差商法确认d值，当奇异值为第d个时，中心差商Z_d取得最大值，然后获取从一阶到d阶的奇异值分解的分量，其他奇异值分量设为零，从提取的d阶的奇异值分量中选择多阶进行重构，得到新的奇异值矩阵，结合可获得新的轨迹矩阵。

10.根据权利要求1所述的一种基于SSA-WDCNN的滚动轴承故障诊断方法，其特征在于，所述的步骤S14中将新的轨迹矩阵Y转化为一维时间序列y_k：

其中，k为新的一维时间序列元素次序，p为新轨迹矩阵取对角元素平均化的个数。