[发明专利]一种基于时频分析的残差网络滚动轴承故障诊断方法

说明书

本发明涉及一种基于时频分析的残差网络滚动轴承故障诊断方法，包括以下步骤：S1、采集振动信号数据，利用短时傅立叶变换将滚动轴承的振动时域信号转换为时频图，将时频图转换为二维的灰度时频图；S2、利用残差网络对信号进行特征提取，并诊断轴承的故障类型；残差网络的输入为步骤S1中生成的灰度时频图，输出为故障诊断的结果。本发明采用短时傅里叶变换将轴承振动数据转换为时频图，可以明确的体现故障轴承振动时的时域和频域特征，便于网络对不同故障类型的准确诊断。由于时频信号中同时包含了轴承的时域和频域信息，并且残差网络的网络层加深并不会导致梯度消失或梯度爆炸的问题，因此该方法对轴承进行故障诊断时可以获得较高的准确率。

技术领域

本发明涉及轴承故障诊断领域，更具体地说，涉及一种基于时频分析的残差网络滚动轴承故障诊断方法。

背景技术

滚动轴承是机械部件的重要组成部分，在大型设备或者生产线上，随时都有大量的滚动轴承在运转。一旦滚动轴承出现了严重故障将导致产品的精度难以把控，甚至会让机械设备或生产线停工。因此对滚动轴承进行故障诊断就非常重要。在轴承产生故障时能够及时发现并维修，对设备的运转可靠性也有很大帮助。

对滚动轴承进行故障诊断可以采用传统的方法，对振动信号进行特征提取，故障分类等手段。但这种方法要求相关人员具备丰富的先验知识，并且当振动信号混杂了噪声信号后，信号特征提取的难度也相应增加。由于故障诊断就是对不同故障类型进行识别，而深度学习在图像识别方面取得了良好的成就，因此可以将深度学习的方法运用到滚动轴承的故障识别中来。残差网络解决了深度学习由于网络层加深而退化的问题，因此将残差网络用于滚动轴承故障诊断将可以通过加深网络层来提取信号的高维特征，增加识别准确率。

然而对滚动轴承的振动信号是关于时间的信号，即滚动轴承的振动信号只包含了时域信息而没有包含频域信息。如果直接将滚动轴承的振动信号输入残差网络，将会使得信号特征的丢失，降低诊断的准确率。因此可以采用短时傅立叶变换将轴承的时域信号转换为时频信号，该信号为二维信号，其横坐标代表时域，纵坐标代表频域。这样残差网络的输入数据将同时包含时域信息和频域信息。网络对故障特征的提取将更加全面，有利于增加故障诊断的准确率。

申请号201710747694.9，名称为一种基于卷积神经网络的滚动轴承故障诊断方法，运用了短时傅立叶变换的方法对滚动轴承进行时域信息到频域信息的变换，该方法能够提取出信号的频域特征，但是该方法在后续处理中运用的是普通卷积神经网络，这种网络当网络层数加深时会出现梯度消失或者梯度爆炸的问题。因此，网络层数受限，不能提取轴承信号的高维特征，诊断准确率也受限。

申请号201810339956.2，名称为基于卷积神经网络的滚动轴承智能诊断模型的建立方法，该方法虽然将轴承的一维信号转化为了二维信号，但其转换方法为按顺序排列，这样堆叠出来的二维信号没有实际的物理意义，并不能体现轴承故障的时域和频域信息。因此不能提高轴承故障诊断的准确率。

浙江大学黄驰城硕士学位论文，《结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究》中采用了ResNet18对轴承的时频信号进行故障诊断，该方法直接在残差网络中进行识别，并没有针对轴承特点对网络结构进行修改，且没有对网络训练过程可视化分析。

发明内容

本发明要解决的技术问题在于，提供一种基于时频分析的残差网络滚动轴承故障诊断方法，采用该方法对轴承进行故障诊断时，可以获得较高的准确率高。

本发明解决其技术问题所采用的技术方案是：构造一种基于时频分析的残差网络滚动轴承故障诊断方法，包括以下步骤：

S1、采集振动信号数据，利用短时傅立叶变换将滚动轴承的振动时域信号转换为时频图，将时频图转换为二维的灰度时频图；

S2、利用残差网络对信号进行特征提取，并诊断轴承的故障类型；残差网络的输入为步骤S1中生成的灰度时频图，输出为故障诊断的结果。