[发明专利]一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质

说明书

本发明公开了一种基于深度学习和声音波形图像的滚动轴承故障诊断方法，包括：步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train‑x和测试数据集test‑x；步骤2：为所述训练数据集train‑x和测试数据集test‑x分别创建对应的训练标签集train‑y和测试标签集test‑y；步骤3：将所述训练数据集train‑x、测试数据集test‑x、训练标签集train‑y和测试标签集test‑y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型；步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型。该滚动轴承故障诊断方法基于深度学习和声音波形图像对滚动轴承的状态类型进行智能诊断。

技术领域

本发明涉及旋转机械故障诊断领域，尤其涉及一种基于声音信号波形图像和深度学习的滚动轴承故障诊断方法、装置和可读存储介质。

背景技术

旋转机械广泛应用于石化、冶金、钢铁等领域，滚动轴承是旋转机械的关键部件之一。据统计，旋转机械故障中，轴承故障占很大的比重约45-55%。

旋转机械在工业得到广泛应用，而目前旋转机械在出现故障时，大多是通过拆卸方式进行人工检查后才得以判断旋转机械是何种故障，而有经验的维修人员可以通过旋转机械运转的声音来初步判断故障情况，但现今聘请该类维修人员需要大量资金，且维修人员也容易出现误判的情况。

发明内容

为了解决上述现有技术的不足，本发明提供一种滚动轴承故障诊断方法，基于深度学习和声音波形图像对滚动轴承的状态类型进行智能诊断。

本发明还提供一种滚动轴承故障诊断装置和可读存储介质。

本发明所要解决的技术问题通过以下技术方案予以实现：

一种基于深度学习和声音波形图像的滚动轴承故障诊断方法，包括：

步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train-x和测试数据集test-x；

步骤2：为所述训练数据集train-x和测试数据集test-x分别创建对应的训练标签集train-y和测试标签集test-y；

步骤3：将所述训练数据集train-x、测试数据集test-x、训练标签集train-y和测试标签集test-y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型；

步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型。

进一步地，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤1包括：

步骤1.1：将每幅声音波形图像标准化为m*n的灰度图像；

步骤1.2：将每幅灰度图像转换为m*n的第一灰度值矩阵；

步骤1.3：将每个第一灰度值矩阵转换为1*（m*n）的第一一维矩阵；

步骤1.4：将每种状态类型中的c个第一一维矩阵拼接为一个c*（m*n）的第一二维矩阵，将每种状态类型中的另外d个第一一维矩阵拼接为一个d*（m*n）的第二二维矩阵，c和d均为正整数且i=c+d；

步骤1.5：把所有状态类型的第一二维矩阵拼接为一个（a*c）*（m*n）的第三二维矩阵，得到训练数据集train-x，把所有状态类型的第二二维矩阵拼接为一个（a*d）*（m*n）的第四二维矩阵，得到测试数据集test-x。

进一步地，在步骤1之前，还包括：

步骤A1：采集滚动轴承分别在正常状态以及各种故障状态下的声音数据；