[发明专利]一种转速波动下信号分辨率增强的轴承故障诊断方法

说明书

本发明公开了一种转速波动下信号分辨率增强的轴承故障诊断方法，涉及机械故障诊断领域。方法包括：设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号；对转速波动信号进行分段处理，每段信号样本维度设置相同，以较高转速信号段为低分辨率信号样本，以较低转速信号段为高分辨率信号样本；采用深度残差网络层和亚像素卷积层对低分辨率信号样本进行排列映射得到生成的高分辨率样本；将生成的超高分辨率样本周期性地分为四个部分，选取其中一部分作为生成的高分辨率样本；采用生成的高分辨率样本集为训练集，验证超分辨率亚像素深度残差网络的准确性。

技术领域

本发明涉及机械故障诊断领域，具体涉及一种转速波动下信号分辨率增强的轴承故障诊断方法。

背景技术

在基于深度学习理论的机械智能故障诊断研究中，深度神经网络需要充足的数据集训练分类网络，以实现健康预测与故障诊断。数据增强作为解决样本不足问题的一种手段已被广泛研究。通常，上述研究的前提条件是设备的运行状态为恒转速运行，即电机的速度、负载及其它外部因素维持不变，在这种状态下采集的数据的信号也相对干净，且同一健康状况类型的样本间的波形浮动较小，易于分类网络的训练。在实际生产中，机器的工作条件是复杂的，包括温度，速度，负载等其他外部因素的影响，这些因素会导致所收集的信号发生波动并存在域偏移现象。在有限的训练样本和波动的测试样本的分布中也可以观察到差异，这增加了模型在不同健康状况下准确区分样本的难度。此外，速度的不确定性和变工况下加速度(变速率)的多样性，加剧了分类网络需要更多的数据来充分的训练网络。因此，数据增强技术不仅仅要考虑平稳状态下的机械故障诊断，也需要适用于速度大波动的应用场景。

现有的数据生成算法研究的重心在于解决恒转速工况下旋转机械部件的故障诊断，对于转速波动这种复杂工况的研究较少。

发明内容

本发明的目的是针对上述不足，提出了一种转速波动下信号分辨率增强的轴承故障诊断方法。该方法利用转速波动样本作为网络的输入，通过构建深度残差网络，有效学习和提取高级特征映射。

本发明具体采用如下技术方案：

一种转速波动下信号分辨率增强的轴承故障诊断方法，包括以下步骤：

(1)设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，由此获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号；

(2)对转速波动信号进行分段处理，每段信号样本维度设置相同，以较高转速信号段为低分辨率信号样本，以较低转速信号段为高分辨率信号样本；

(3)采用深度残差网络层和亚像素卷积层对低分辨率信号样本进行排列映射得到生成的高分辨率样本；

(4)将生成的超高分辨率样本周期性地分为四个部分，选取其中一部分作为生成的高分辨率样本；

(5)采用生成的高分辨率样本集为训练集，对基于叠加自动编码器建立的故障诊断模型进行训练，随后采用真实的高分辨率样本为测试集，验证超分辨率亚像素深度残差网络的准确性。

优选地，步骤(3)中，对超分辨率亚像素深度残差网络进行训练，包括以下步骤：

(3-1)对于由L层组成的网络，第一层描述如式(1)所示：

f₁(I_LR)＝f₁(I_LR；W₁；b₁)＝φ(W₁*I_LR+b₁) (1)

其中，f表示网络层特征，I_LR表示低分辨率信号，W表示权重，b表示偏置，φ表示激活函数；