[发明专利]一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统

说明书

本发明属于旋转机械故障类型识别和诊断领域，尤其涉及一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统，方法要点包括：1、训练滚动轴承包含故障的振动历史数据，得到基于阈值卷积神经网络的滚动轴承故障诊断模型；2、实时采集滚动轴承振动数据；3、利用训练好的故障诊断模型，实时监测振动数据，识别是否存在故障；4、若存在故障，利用故障诊断模型进行故障特征提取与分类，并输出故障识别结果。本发明可以解决卷积神经网络模型对含有噪声的振动数据进行特征提取时，性能会下降的问题，具有较高故障诊断准确率，并加快了诊断时间，符合工业界简易、实用和可移植性强的准则，具有较高应用价值。

技术领域

本发明涉及旋转机械故障类型识别和诊断技术领域，具体为一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统。

背景技术

在控制领域有许多机械设备，它们在风力发电、电力供应、航空航天等领域发挥着重要作用。旋转机械是机械设备的组成部分，其稳定运行是确保生产和人类安全的重要前提，然而，它们通常在恶劣环境下工作，增加了旋转机械发生故障的概率，一旦发生故障，会造成损失，增加维修成本。因此，提高模型在噪声环境下的滚动轴承故障诊断精度非常重要，可以有效降低设备维修和维护成本，提高机械设备运行的经济性，保证安全生产。

发明内容

针对背景中所述问题，本发明提供了一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统，用以解决卷积神经网络模型对含有噪声的振动数据进行特征提取时，性能会下降的问题，同时实现对滚动轴承故障类型的智能化监测。

为实现上述目的，本发明提供如下技术方案：一种基于阈值卷积神经网络的滚动轴承故障诊断方法，所述诊断方法包括以下步骤：

1)训练滚动轴承包含故障的振动历史数据，得到基于阈值卷积神经网络的滚动轴承故障诊断模型；

2)实时采集滚动轴承振动数据；

3)利用训练好的故障诊断模型，实时监测振动数据，识别是否存在故障；

4)若存在故障，利用故障诊断模型进行故障特征提取与分类，并输出故障识别结果。

优选的，通过模块1、模块2、模块3、模块4对输入数据进行特征提取。

优选的，所述步骤1包括：

步骤1.1、模块1和模块2分别由卷积层、整流线性单元和最大池化层组成。根据步长对输入数据使用滤波器滑动并进行卷积运算，提取数据特征；整流线性单元对数据特征进行稀疏化R＝max(0,x)，x表示输入数据，R表示整流线性单元；最大池化操作对稀疏化后的特征进行压缩处理。前向学习数学模型建立如下：

y₁＝f₁(x,k₁)                (1)

y₂＝f₂(y₁,k₂)＝f₂(f₁(x),k₂)            (2)

式中，k₁和k₂表示滤波器数量，f₁和f₂分别表示对模块1和模块2进行卷积、整流线性单元和最大池化操作，y₁和y₂分别是模块1和模块2的输出。

优选的，所述步骤1还包括：

步骤1.2、模块3和模块4分别由卷积层、整流线性单元组成，前向学习数学模型建立如下：