[发明专利]一种多卷积网络融合的滚动轴承故障分类方法

说明书

本发明属工业过程监控技术领域，具体涉及一种多卷积网络融合的滚动轴承故障分类方法。包括如下步骤:步骤S1：采集原始故障数据，对于采集到的原始故障数据，提取对应轴承的运行参数以及尺寸参数，利用上述参数求取三种故障特征频率；步骤S2：对原始故障数据，利用连续小波变换，获得4种时频图；步骤S3：对所有原始数据做连续小波变换后得到的时频图集划分为训练集和验证集；步骤S4：使用训练集训练故障分类模型；步骤S5：使用验证集验证模型的分类性能。本发明的有益效果在于：提升了整体网络的可解释性；提高了网络的灵活性；比传统的分类精度要高。

技术领域

本发明属工业过程监控技术领域，具体涉及一种多卷积网络融合的滚动轴承故障分类方法。

背景技术

滚动轴承的应用在现代工业系统中占有很高的比重，对滚动轴承故障进行及时、准确的故障诊断不但可以提高设备使用的可靠性，保障生产过程的顺利进行以及人员和设备的安全，还可以对轴承的制造提供有价值的参考。

近年来，深度学习技术迅速发展，基于深度学习的故障诊断技术得到广泛应用并取得良好的效果。但其也有自身的缺陷，其可解释性不强，而且对已知的物理知识没有进行有效利用。

现有的将物理知识融入卷积神经网络的方法多是借助希尔伯特-黄变换得到一维的特征数据，然后使用一维卷积神经网络对其进行故障诊断。但是该类方法没有有效利用二维卷积神经网络强大的图像识别能力，分类精度有待提升；同时实现过程比较复杂，不能很好地满足实际工业应用。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种多卷积网络融合的滚动轴承故障分类方法，其目的是在现有的卷积神经网路基础上融入机理知识，来帮助提高故障诊断的准确率以及提高诊断结果的可解释性。该模型网络逻辑清晰，便于实际部署，分类准确率较高，可以更好的满足实际工业应用。

本发明的技术方案如下：一种多卷积网络融合的滚动轴承故障分类方法，包括如下步骤：

步骤S1：采集原始故障数据，对于采集到的原始故障数据，提取对应轴承的运行参数以及尺寸参数，利用上述参数求取三种故障特征频率；

步骤S2：对原始故障数据，利用连续小波变换，获得4种时频图；

步骤S3：对所有原始数据做连续小波变换后得到的时频图集划分为训练集和验证集；

步骤S4：使用训练集训练故障分类模型；

步骤S5：使用验证集验证模型的分类性能。

所述的步骤S1中，对于滚动轴承来说，故障点位于各个元件上时的故障特征频率如下：

外滚道故障的故障特征频率为：

内滚道故障的故障特征频率为：

滚珠故障的故障特征频率为：

式中，f_r为轴的转频，z为滚珠个数，d_b为滚珠直径，D_m为滚动轴承节圆直径，为滚动轴承接触角。

所述的步骤S2中，所述的4种时频图包括所有频率的主时频图、外圈故障特征频率对应的子时频图、内圈故障频率对应的子时频图以及滚珠故障频率对应的子时频图。

所述的步骤S2中，所述的三个子时频图的获得方法为：以三种故障特征频率为中心左右扩展该频率的5％，得到三个频率带，将这三个频率带作为连续小波变换母函数的中心频率，即可获得三个长条形的时频图。

所述的步骤S3中，所述训练集和验证集均包含以上4种时频图。