[发明专利]一种基于SSA-WDCNN的滚动轴承故障诊断方法

说明书

本发明涉及一种基于SSA‑WDCNN的滚动轴承故障诊断方法，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。与现有技术相比，本发明利用奇异谱分析的方法针对含噪声的滚动轴承振动信号进行处理，基于首层卷积层为宽卷积层的卷积神经网络对轴承振动信号进行诊断，提高信号特征的提取效果和准确性，进一步提升对滚动轴承故障的诊断准确性和诊断效率。

技术领域

本发明涉及故障诊断领域，尤其是涉及一种基于SSA-WDCNN的滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械中关键的零部件之一，其健康状况影响着整个旋转机械系统的正常运行，对于轴承故障的及时发现能够有效降低生产中的损失。目前针对于滚动轴承的故障诊断大都对其振动信号进行研究，但是，信号中的故障特征分量尤其是早期微弱故障特征极易被噪声和其他无关信号分量淹没，导致设备故障不能被及时发现。因此，利用信号分解方法将振动信号分解为一系列具有明确物理意义的子信号分量，进而从中提取故障特征分量，对机械故障诊断尤为重要。

现有技术中，通过使用自编码器对含噪信号先进行降噪之后再将信号输入到一维卷积神经网络(One-Dimension CNN,1-DCNN)模型中实现故障信号的特征提取，但需要进行两种模型的训练且只针对信噪比为小于-1dB的测试信号。另外，还利用小波包分解先消除原始信号的部分干扰，随后再采用经验模态分解Empirical mode decomposition，EMD)进行故障特征提取，实现对整个信号的双谱解调，但最终的双谱图分辨率不高。除此之外，对EMD改进后的集成经验模式分解(ensemble empirical mode decomposition,EEMD)在信号降噪中也有应用，现有技术中将EEMD方法和块阈值策略相结合对振动信号进行去噪，取得了相对较好的试验结果，但其重构的信号与干净信号存在较大的偏离，使用范围局限于小信噪比信号。目前已有的相关研究中对于大噪声的降噪和信号特征提取的效果一直不理想，导致一些故障信号在大的噪声环境干扰下极容易出现诊断的偏差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SSA-WDCNN的滚动轴承故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于SSA-WDCNN的滚动轴承故障诊断方法，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。

SSA即Singular Spectrum Analysis，奇异谱分析，WDCNN是指宽卷积核深度神经网络。

优选地，所述的故障诊断模型为卷积神经网络。

优选地，所述的卷积神经网络的首层卷积层为宽卷积层。

优选地，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。

优选地，所述的宽卷积层的卷积核宽度为64。

优选地，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；