[发明专利]一种基于神经网络的轴承健康状态评估方法及装置

权利要求书

1.一种基于神经网络的轴承健康状态评估方法，其特征在于，包括：

获取训练数据，所述训练数据为表征轴承振动信号的历史数据；

提取所述训练数据的特征值和所述特征值对应的轴承健康状态；

确定包含所述特征值和所述轴承健康状态对应关系的分类模型；

响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果；

其中，所述确定包含所述特征值和所述轴承健康状态对应关系的分类模型，包括：

通过自组织神经网络算法将所述特征值划分为多个特征集；

计算每个特征集的方差值和所有特征集的平均方差值；

根据所述方差值和所述平均方差值的大小生成比较结果，根据所述比较结果初步判断轴承健康状态；

根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值；

将所述类别和分类差值作为所述轴承健康状态的分类模型；

其中，所述根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值，包括：

获取所有特征集的方差值，比较得出所有方差值中的最小方差值和最大方差值，将所述最小方差值记为S_min,将所述最大方差值记为S_max,将所有特征集的平均方差值记为

通过以下公式计算所述特征集的分类差值：

其中，n为轴承健康状态的总类别；

通过以下公式计算所述特征集对应的轴承健康状态类别：

其中，Si表示第i个特征集的方差值，k为轴承健康状态的类别编号，k＝1,2,...,n。

2.根据权利要求1所述的一种基于神经网络的轴承健康状态评估方法，其特征在于，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。

3.根据权利要求2所述的一种基于神经网络的轴承健康状态评估方法，其特征在于，所述根据所述比较结果初步判断轴承健康状态，具体为：

当特征集的方差值≤所有特征集的平均方差值时，所述轴承健康状态为正常状态；

当特征集的方差值＞所有特征集的平均方差值时，所述轴承健康状态为异常状态。

4.一种基于神经网络的轴承健康状态评估装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：

提取模块，用于获取训练数据，所述训练数据为表征轴承振动信号的历史数据，提取所述训练数据的特征值和所述特征值对应的轴承健康状态；

确定模块，用于确定包含所述特征值和所述轴承健康状态对应关系的分类模型；

输出模块，用于响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果；

其中，所述确定模块用于：

通过自组织神经网络算法将所述特征值划分为多个特征集；

计算每个特征集的方差值和所有特征集的平均方差值；

根据所述方差值和所述平均方差值的大小生成比较结果，根据所述比较结果初步判断轴承健康状态；

根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值；

将所述类别和分类差值作为所述轴承健康状态的分类模型；

其中，所述确定模块还具体用于：

获取所有特征集的方差值，比较得出所有方差值中的最小方差值和最大方差值，将所述最小方差值记为S_min,将所述最大方差值记为S_max,将所有特征集的平均方差值记为

通过以下公式计算所述特征集的分类差值：

其中，n为轴承健康状态的总类别；

通过以下公式计算所述特征集对应的轴承健康状态类别：

其中，Si表示第i个特征集的方差值，k为轴承健康状态的类别编号，k＝1,2,...,n。

5.根据权利要求4所述的一种基于神经网络的轴承健康状态评估装置，其特征在于，所述提取模块中，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。