[发明专利]一种基于表示学习的轴承故障检测和分类的一体化方法

权利要求书

1.一种基于表示学习的轴承故障检测和分类的一体化方法，其特征在于：所述方法具体过程为：

步骤1、提取轴承的振动数据：

通过在轴承座上的传感器设备，采集轴承在工作过程中的振动数据；

所述振动数据包括健康数据和故障数据；

步骤2、特征提取：

从时域、频域2个角度提取轴承在工作过程中的振动数据的特征；

所述振动数据的特征包括健康数据的特征和故障数据的特征；

步骤3、搭建故障检测神经网络：

故障检测神经网络包括编码器、噪声引入、自注意力机制层以及解码器；

步骤4、训练故障检测神经网络：

将步骤2提取到的健康数据的特征输入到步骤3搭建的故障检测神经网络中，获得训练好的故障检测神经网络；

步骤5、搭建故障分类神经网络：

将步骤4训练好的故障检测神经网络中编码器、噪声引入和自注意力机制层部分作为预训练模型实现模型迁移，最后通过全连接层模块实现向故障标签的映射；

步骤6、训练故障分类神经网络：

将步骤2提取到的故障数据的特征输入到步骤5搭建的故障分类神经网络中，获得训练好的故障分类神经网络；

步骤7、在线故障检测与故障分类；

所述步骤2中特征提取：

从时域、频域2个角度提取轴承在工作过程中的振动数据的特征；

所述振动数据的特征包括健康数据的特征和故障数据的特征；

具体过程为：

时域特征表达式如公式(1)—(7)所示：

TF₅＝|min{x_i|i＝1,2,...,L}|                   (5)

TF₆＝|max{x_i|i＝1,2,...,L}|                   (6)

TF₇＝TF₆-TF₅                        (7)

其中L为轴承振动信号的长度，i是时间的编号，x_i为i时刻轴承振动信号幅度，max和min分别为最大值和最小值；TF₁为信号的绝对平均值，TF₂为信号的标准差，TF₃为信号的均方根值，TF₄为信号的均方根值和绝对平均值的比值，TF₅为信号的最小值，TF₆为信号的最大值，TF₇为信号的极差；

频域特征表达式如公式(8)—(14)所示：

其中K是频谱总长度，j是频率的编号，s_j是振动信号FFT变换之后的频谱幅度，f_j为对应s_j的频率；FF₁为频率对于频谱总长度的均值，FF₂为频谱幅度标准差，FF₃为频率幅度的加权平均值，FF₄为频率幅度的加权标准差，FF₅为频率幅度的加权标准差与加权平均值的比值，FF₆为频谱幅度的均方根值，FF₇为描述功率谱收敛情况的统计量；

综上，对于轴承每一个方向上的振动信号，可以提取出时域、频域共计14种特征。