[发明专利]一种滚动轴承故障诊断方法

摘要

本发明涉及一种滚动轴承故障诊断方法，其利用卷积神经网络理论的学习算法完成故障诊断所需的特征提取任务，可以不依赖人工选择，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，并能自动挖掘出隐藏在已知数据中的丰富信息；此外，采用了支持向量回归方法对测试样本进行分类识别，支持向量回归具有强大的泛化能力，对未知的新样本进行识别具有更好的精度，采用支持向量回归作为分类器对样本进行分类识别，可以克服深度学习默认的分类器泛化能力一般的缺点。本发明能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于化工、冶金、电力、航空等领域的复杂机械系统故障诊断中。

主权项

一种滚动轴承故障诊断方法，其特征在于，包括步骤：步骤1：当滚动轴承在四种不同工况下转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；步骤2：建立卷积神经网络模型，采用训练样本对卷积神经网络模型进行训练，将训练样本输入卷积神经网络模型中，采用有监督逐层训练方法进行逐层训练和调优，得到卷积神经网络模型的连接权值和偏置参数等；步骤3：将各种工况下的训练样本分别作为确定连接权值和偏置参数的卷积神经网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型分别对每种工况下的各个训练样本进行有效特征提取，并用所提取的训练样本特征训练支持向量回归分类器，得到支持向量回归分类器模型；步骤4：通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；步骤5：将测试样本作为训练好的卷积神经网络模型的输入，对测试样本进行深度学习，采用确定了连接权值和偏置参数的卷积神经网络模型对测试样本进行特征提取，得到测试样本特征信号；步骤6：将测试特征信息作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的支持向量回归分类器对测试样本与训练样本进行分类匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。