[发明专利]一种基于双通道卷积神经网络的滚动轴承状态诊断方法

说明书

本发明公开了一种基于双通道卷积神经网络的滚动轴承状态诊断方法，包括采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；对采集的振动加速度数据进行数据增强处理；对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练；其中，所述诊断模型具有双通道卷积神经网络，所述双通道卷积神经网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承。本发明的方法在不增加原始数据的情况下获得了更为细腻的信息，增加了诊断模型的精度与鲁棒性。

技术领域

本发明涉及滚动轴承监测诊断技术领域，尤其涉及一种基于双通道卷积神经网络的滚动轴承状态诊断方法。

背景技术

现代工业中，机器监测具有无可替代的意义。为了确保机器的正常运转，减少由于机器故障带来的经济损失，人们追求更好的机械故障监测方法的脚步从未停歇。滚动轴承是旋转机构的核心部件，其健康与否，对整体机构运转有着很大的影响。近年来，智能故障诊断技术取代了费力且不牢靠的人工分析，提高了故障诊断的效率。深度学习模型借助其具有更好的逼近复杂函数的能力，大大提高了轴承故障诊断的准确性。

一般轴承故障诊断流程有信息采集、特征抽取、状态识别、分析诊断、决策分类等若干环节。一般在滚动轴承诊断方法中振动法使用最为广泛。而特征抽取是决定这诊断技术中重中之重。目前在振动信号应用方面主流方法如下：1，时序信号提取频谱特征，放入深度学习模型；2，时序信号的频谱图或者将一维信号重排成二维，二维卷积；3，时序信号直接输入到深度学习模型(一维卷积等)。

迄今为止，利用深度学习算法进行轴承诊断几乎能达到98％以上的精度，因此，下一步工作的重心应该多考虑实际工况中算法的适应能力。目前已公布的发明专利“一种多通道深度卷积神经网络的风电机组轴承故障诊断方法”，公开号为CN107560849A，通过获取测试轴承驱动端和非驱动端的高频振动加速度信号；该方法试图使用两种不同的工作环境来扩展算法的适应能力，但是单单通过增加数据的多样性并没有对算法的应用性有所提升。

发明内容

有鉴于此，本发明的目的是提供一种基于双通道卷积神经网络的滚动轴承状态诊断方法，利用数据增强技术与双通道特征抽取方法，不仅实现的诊断的过程，也大大扩展的算法的适应环境与迁移能力。

本发明通过以下技术手段解决上述技术问题：

一种基于双通道卷积神经网络的滚动轴承状态诊断方法，包括：

使用振动加速传感器采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；

对采集的振动加速度数据进行数据增强处理；

对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；

构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练；其中，所述诊断模型具有双通道卷积神经网络，所述双通道卷积神经网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；

评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承。

进一步，所述滚动轴承的状态分为正常状态、内圈故障、外圈故障和滚动体故障。

进一步，将电机零负载情况下的振动加速度数据作为训练集，将电机不同负载情况下的振动加速度数据作为测试集，通过训练集和测试集对卷积神经网络诊断模型进行训练和测试。

进一步，依据诊断模型的诊断训练结果的准确率、精准率、召回率和F1-Measure，对训练后的诊断模型进行评估，以判断是否出现过拟合状态和需要调整诊断模型结构和训练样本数量。