[发明专利]一种轴承故障的诊断方法、装置和系统

说明书

本申请公开了一种轴承故障的诊断方法、装置和系统，涉及故障检测技术领域，所述方法包括：预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；构建具有分支结构的一维卷积神经网络模型；根据所述轴承故障数据对所述一维卷积神经网络模型进行训练；通过训练后的一维卷积神经网络模型自动提取轴承状态特征，并获取所述轴承的故障诊断结果。本申请的方案实解决了目前轴承故障诊断难以直接从原始数据中提取深层特征，需要对数据进行额外的预处理，且处理高维数据不足的问题，实现了直接从收集得到的一维数据中提取有效特征，准确率高，操作方便。

技术领域

本申请涉及故障检测技术领域，特别涉及一种轴承故障的诊断方法、装置和系统。

背景技术

滚动轴承广泛应用于泵、涡轮、齿轮箱、压缩机、发动机等旋转机械中，由于旋转设备的复杂性和工作环境的性质，滚动轴承非常容易发生故障。有关统计显示，轴承故障占所有电机故障的40至50％。当轴承发生故障时，可能会造成严重的经济损失甚至威胁生命。因此，对滚动轴承进行自动、准确的故障诊断，对维护机械设备的安全稳定运行具有重要意义。

在现有技术中，故障诊断方法通常可分为基于模型、基于信号和基于智能的方法。基于模型的方法从物理原理或系统辨识技术来模拟工业过程或实际系统，通过相关算法将从系统获得的实际测量值与系统数学模型生成的输出值进行比较。然而，在采用基于模型的方法时，需要提前了解系统的先验信息，否则会对模型精度造成很大的影响。基于信号的诊断方法很大程度上依赖于模式分析和监控系统的先验知识。在实践中，这种先验知识很大程度上受人为因素的影响，甚至在系统非线性或工作条件高度复杂的情况下可能无法获得。

传统的智能诊断算法分为特征提取与分类器两部分，一个智能故障诊断系统的成功与否，关键在于特征提取器与分类器的选择。目前智能诊断算法的研究存在以下几个问题：采用传统轴承智能诊断算法诊断时，要达到高的识别率，不同的机械系统会对应不同特征提取器与分类器的组合，算法的通用性不能保证。且利用快速傅里叶变换或者小波变换对信号进行特征提取时会造成信息的缺失。

近年来，机器学习算法在滚动轴承诊断中得到了广泛的应用。机器学习能够利用大量数据来解决人类看不到的特定趋势和模式。然而，传统的机器学习模型仍然存在一些不足。例如，很难从原始数据中提取深层特征，且不能很好地处理高维数据。

发明内容

本申请实施例提供一种轴承故障的诊断方法、装置和系统，以解决目前轴承故障诊断原始数据中提取深层特征，且处理高维数据不足的问题。

为了解决上述技术问题，本申请采用如下技术方案：

本申请实施例提供一种轴承故障的诊断方法，包括：

预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建具有分支结构的一维卷积神经网络模型；

根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

可选的，所述采集故障轴承运行时的轴承故障数据包括：

采用预设的轴承数据集；

根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。

可选的，所述采集故障轴承运行时的轴承故障数据，包括：

加工若干个具有不同损伤位置以及不同尺寸故障的轴承；

将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；

将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。