[发明专利]基于二维图像与CNN的滚动轴承弱故障诊断方法

说明书

本发明公开了基于二维图像与CNN的滚动轴承弱故障诊断方法，该方法将轴承微弱故障一维时间序列划分为具有固定长度的数据子集，通过数据降维方法在不损失信号整体信息的基础上，降维压缩数据子集数据量；通过二维图像转换算法，将降维后的一维时间序列转换为二维图像以方便卷积神经网络学习分类并提高分类准确度；设计卷积神经网络结构、参数以及训练方法等；最后实现了滚动轴承微弱故障的准确、高效诊断。本发明克服了传统滤波降噪方法对轴承微弱故障诊断力不足的局限性，能够在不损失原信号有用信息的基础上实现更加准确的微弱故障诊断，实现了滚动轴承微弱故障的智能诊断。

技术领域

本发明属于滚动轴承状态监测与故障诊断技术领域，涉及一种基于二维图像与CNN的滚动轴承弱故障诊断方法。

背景技术

滚动轴承是旋转机械的重要基础部件，常在关键设备中起到重要支撑作用，其运行状态往往决定了机械设备能否正常运行，因此对滚动轴承开展有效监测，对于可能存在个故障及时发现或预警，对于保证运行的可靠性和降低维修成本具有重要意义。

传统的故障诊断方法主要是针对超强故障，对于机械设备的超强故障，意味着机械故障已经发展到了中晚期，故障特征明显，机械零部件性能严重退化。然而，故障诊断的意义在于及早的发现问题并提供可行的“治疗方案”，并不是等待设备出现明显故障时再开具“死亡证明”。因此如何尽早的发现问题，防微杜渐，防患于未然对于提升设备的运行时间，提高设备的运行质量，降低企业生产成本等等具有很重要的意义。

纵观国内外在轴承微弱故障诊断领域的解决方法中，无论最大峭度谱准则、动力学仿真模型、多物理量信息融合、改进型小波虑噪、经验模态分解、混合域特征提取、信息熵、排列熵等都注重于手动设计滤波和特征选择过程，都需要专业的背景知识，并且诊断过程繁琐缺乏智能性。比如，将傅里叶幅值谱等作为卷积神经网络的训练样本，然而对于微弱故障，其故障特征信号微弱且常常隐藏在大量的背景噪声中，使用傅里叶幅值谱并不能精准的反应故障特征，同时该方法在一定程度上也对故障信号所包含的信息起到了削弱作用，这样就降低了卷积神经网络的识别准确度，在一定程度上不利于轴承微弱故障的准确诊断。因此，在轴承微弱故障诊断领域，尽管取得了相对不错的效果，但是对处于噪声等复杂情况下的轴承微弱故障诊断效果仍有待提高。

发明内容

本发明的目的是提供一种基于二维图像与CNN的滚动轴承弱故障诊断方法，克服了传统滤波降噪方法对轴承微弱故障诊断准确度不高的问题。

本发明所采用的技术方案是，基于二维图像与CNN的滚动轴承弱故障诊断方法，具体步骤如下：

步骤1、采集滚动轴承微弱故障振动信号一维时间序列，得到原始信号数据样本集；

步骤2、将原始信号数据样本集按照固定时间长度划分为多段一维时间序列子集；

步骤3、在保证不损失信号整体信息的基础上，使用数据压缩算法分别对每段一维时间序列子集进行降维压缩，得到新的一维时间序列集；

步骤4、根据二维图像转换算法，将新的一维时间序列集中的时间序列分别转换成为二维图像样本，得到二维图像样本集；

步骤5、给二维图像样本集中的每个样本分别设置故障类型标签，并按照打乱样本随机划分原则，将设置故障类型标签的二维图像样本划分为训练集、验证集与测试集；

步骤6、设计卷积神经网络CNN；

步骤7、使用步骤5中得到的训练集、验证集与测试集开展卷积神经网络CNN的训练，并将训练好的卷积神经网络CNN封装；

步骤8、使用步骤7中训练好的卷积神经网络CNN进行滚动轴承弱故障诊断。

本发明的特点还在于：

步骤1中滚动轴承微弱故障振动信号一维时间序列采集步骤如下：