[发明专利]一种滚动轴承的故障诊断方法

说明书

本发明提供一种滚动轴承的故障诊断方法，其包括以下步骤：将采集的滚动轴承的振动信号划分并转换为小波时频图像；对所有小波时频图像处理得到训练集、验证集和测试集；构建深度残差网络；确定训练集中错误标记样本的个数；使用训练集和验证集对预先创建的改进的深度残差网络进行训练和验证，得到验证集上诊断效果最优的诊断模型；使用测试集测试最优的诊断模型，并输出故障诊断结果。该方法利用奇异值分解求解最大值进行降维，能够保留更多的特征值；利用全局奇异值代替全连接层，避免过度拟合；损失函数能够最大化的降低错误标记样本对诊断结果的影响，最后得到的诊断模型对噪声环境的适应性更强，并且故障诊断稳定性更好，诊断结果更加准确。

技术领域

本发明涉及机械设备状态监测和故障技术领域，具体涉及一种滚动轴承的故障诊断方法。

背景技术

滚动轴承被广泛应用于汽车、飞机、风机等各种现代工业机械之中，是很多现代机械中必不可少的关键零件。由于滚动轴承所处的外部环境、发生故障的原因、故障模式及其特征较为复杂和多样，因此，现有的滚动轴承故障诊断方法还难以满足实际需要。

随着大数据技术的快速发展，以卷积神经网络为代表的深度学习技术在滚动轴承故障诊断领域的应用受到广泛重视，这种方法首先对原始振动信号进行特征提取，然后再利用卷积神经网络的分类能力进行故障诊断，其故障诊断的准确率较高。尽管许多基于深度学习的故障诊断方法已经得到了研究，并取得了良好的诊断效果，然而，这些方法的诊断性能通常取决于在不同健康条件下采集的信号的质量。对于从实际工业应用中获得的信号，其质量通常很难保证。一方面，在实际工业应用中，采集到的信号中不可避免地存在大量噪声。神经网络中的卷积核和池核通常充当局部特征抽取器。在信号噪声的干扰下，由于局部特征抽取器难以检测相关故障特征，神经网络的特征学习能力受到显著影响。另一方面，在故障诊断领域，添加数据标签通常必须由专业人士才能完成，因而获取高质量的标签成本高昂，而且故障症状的模糊边界也使得故障数据集的标签更加困难，因此，真实工业应用中，人为因素导致的标签错误是不可避免的。与噪声环境(信号噪声)相比，噪声标签对分类器的诊断性能影响更大。

主要原因如下：

1)信号成分的重要性各不相同。然而，样本标签通常对所有样本产生相同的影响。

2)信号特征的尺寸比标签长得多。因此，在噪声标签或者噪声环境下，现有的基于深度学习的故障诊断方法诊断性能会显著降低，这限制了其在真实场景中的应用。

因此，在噪音环境和噪音标签下，如何利用深度学习技术实现滚动轴承高精度的故障诊断是一项亟待解决的问题。

发明内容

为了解决上述现有技术的不足，本发明提供一种滚动轴承的故障诊断方法，该方法利用奇异值分解求解最大值代替传统诊断模型的池化层的降维，能够保留更多的特征值，使故障诊断更加准确。并且利用对故障信号图像求解奇异值代替传统诊断模型的全连接层的复杂的输出向量，避免过度拟合并对诊断模型进行了简化，保证诊断模型的稳定及准确度。另一方面，本发明的方法提出了一个全新的损失函数，能够最大化的降低噪音标签即错误标记样本对诊断结果的影响，其对噪音环境和噪音标签具有很强的适应能力，可以在强噪音环境中以及样本标记错误的情况下实现滚动轴承高精度的故障诊断。

具体地，本发明提供一种滚动轴承的故障诊断方法，其包括以下步骤：

S1、将采集的滚动轴承的振动信号划分为前后衔接的多个数据段，并利用小波变换公式将采集到的振动信号转换为小波时频图像，

S2、对所有小波时频图像进行随机划分和归一化处理，得到训练集、验证集和测试集；

S3、根据预定的测试指标，确定训练集中的错误标记样本的个数，测试指标包括测试准确率和工程实际经验；