[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

说明书

一种轴承故障诊断方法及装置、可读存储介质及电子设备，所述故障诊断方法包括：采集处于工作状态的轴承的振动加速度信号(S101)；对所述轴承的振动加速度信号进行小波分解(S102)；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(S103)；根据所述特征向量，构建特征矩阵(S104)；将所述特征矩阵输入至预先训练的神经网络模型(S105)；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(S106)。上述方案能够提高轴承故障诊断的精确度。

技术领域

本发明涉及轴承故障检测领域，尤其涉及一种轴承故障诊断方法及装置、可读存储介质及电子设备。

背景技术

轴承是机械设备中的基础零部件，已经广泛应用于列车等设备上。轴承的运行状态对列车的行驶安全起着至关重要的作用，因此，对轴承故障进行诊断尤为重要。

在现有技术中，在对轴承故障进行诊断时，通常是由数据分析人员观察解调后的时域振动加速度信号的包络谱波形进行主观判断，需要有相关理论背景的数据分析人员对数据进行分析，主观性较高。虽然现有技术中也出现了使用神经网络理论来对轴承故障进行诊断的方法，但是对轴承故障进行诊断时的精确度较低。

发明内容

本发明实施例解决的技术问题是如何提高轴承故障诊断的精确度。

为解决上述技术问题，本发明实施例提供一种轴承故障诊断方法，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，获取所述轴承的的故障诊断结果。

可选的，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。

可选的，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。

可选的，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。

可选的，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：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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。