[发明专利]轴承故障诊断方法及装置、可读存储介质及电子设备

权利要求书

1.一种轴承故障诊断方法，其特征在于，包括：

采集处于工作状态的轴承的振动加速度信号；

对所述轴承的振动加速度信号进行小波分解；

从小波分解得到的信号中依次提取特征参数并构建特征向量；

根据所述特征向量，构建特征矩阵；

将所述特征矩阵输入至预先训练的神经网络模型；

将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。

2.如权利要求1所述的轴承故障诊断方法，其特征在于，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。

3.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述采集轴承的振动加速度信号，包括：

采集轴承的时域振动加速度信号。

4.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述对所述轴承的振动加速度信号进行小波分解，包括：

选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；

对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2^j，j为小波分解的层次。

5.如权利要求4所述的轴承故障诊断方法，其特征在于，所述从小波分解得到的信号中依次提取特征参数并构建特征向量，包括：

对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；

从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。

6.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述根据所述特征向量，构建特征矩阵，包括：

根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。

7.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。

8.如权利要求1或2所述的轴承故障诊断方法，其特征在于，在对所述振动加速度信号进行小波分解之前，还包括：

对所述振动加速度信号进行降噪处理。

9.如权利要求8所述的轴承故障诊断方法，其特征在于，所述对所述振动加速度信号进行降噪处理，包括：

采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。

10.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述特征参数包括以下至少一种：

每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。

11.如权利要求1或2所述的轴承故障诊断方法，其特征在于，在将所述特征矩阵输入至预先生成的神经网络模型之前，还包括：

对所述特征矩阵中的元素进行归一化处理。

12.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。

13.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果，包括：

将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。