[发明专利]一种轴承振动信号的故障检测和分类方法

说明书

本发明公开了一种轴承振动信号的故障检测和分类方法，该方法搭建于滚动轴承设备领域，利用振动信号数据和深度神经网络进行轴承设备的故障诊断；轴承设备诊断系统在获取各种故障状态下的轴承振动信号数据后，利用所有类别的故障振动信号训练一个卷积神经网络模型，用于后续轴承的故障检测。相对于传统的设备故障检测方法，本方法采用深度学习的方法，以实际场景为依托大幅提升了车间中轴承设备故障的检测水平，提升了检测和诊断效率，提高了经济效益。

技术领域

本发明涉及一种轴承振动信号的故障检测和分类方法，具体为轴承振动信号的故障检测和分类技术领域。

背景技术

众所周知，信号处理在故障诊断和分类中起着至关重要的作用。随着现场传感器的快速发展，可以更方便地从机械设备收集大量测量数据，这为数据驱动的故障诊断方法提供了新的机遇。其中EMD就是一种传统的信号处理的方法，它将从传感器中采集到的原始信号分解为若干个本征模函数(IMF)，通过分析本征模函数来进行特征提取和故障诊断。

然而这个传统的信号处理方法也有他的局限性。首先，它们大多依赖专家知识和特征提取过程，这是一项累赘的工作，对最终结果影响很大。此外，多传感器振动信号的特征提取与分类过程是两个独立的过程，因此效率不高。而这几年发展起来的深度学习方法能够自动学习特征并同时进行分类决策，实现故障检测自动化。卷积神经网络(CNN)是近年来最流行的深度学习模型之一，在图像识别中具有重大优势。卷积神经网络包括输入层(input layer)、卷积层(convolutional layer)、池化层(pooling layer)、全连接层(fully-connected layer)、输出层(output layer)等，其中卷积层和池化层是最重要的特征提取环节，能够实现图像信息特征的自动学习和提取。因此利用振动信号将故障检测问题转为图像识别问题具有实用意义。

目前现有的轴承振动信号的故障检测多数是采用人工进行检测，检测效率低，较为耗费人力资源，本申请的目的是研究一种轴承振动信号的故障检测和分类方法。

发明内容

针对现有轴承振动信号分析的不足，本发明提出了一种轴承振动信号的故障检测和分类方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种轴承振动信号的故障检测和分类方法：该方法搭建于滚动轴承设备领域，利用振动信号数据和深度神经网络进行轴承设备的故障诊断；轴承设备诊断系统在获取各种故障状态下的轴承振动信号数据后，利用所有类别的故障振动信号训练一个卷积神经网络模型，用于后续轴承的故障检测。

其中，对于输入的轴承振动信号，采用一维序列转为二维图像的方法将其转化图像，再利用卷积神经网络(Convolutional Neural Network，CNN)进行图像分类，也就是将故障诊断问题转化为图像识别问题，大量带标签的振动序列信号用于卷积神经网络的学习训练，并用于轴承故障诊断模块。

所述的轴承设备诊断系统包括安装在轴承上的加速度传感器、数据记录仪、数据处理模块、通信模块以及用于信号分析与故障诊断等功能的PC端，加速度传感器与数据记录仪的一端连接，数据记录仪的另一端与数据处理模块的一端连接，数据处理模块的另一端通过通信模块与PC端连接。

所述加速度传感器用于采集轴承振动信号，带有磁力基座的机架上，风扇端和驱动端的轴承座上放各放置一个加速度传感器；

所述数据记录仪用于采集加速度信号，并将采集到的数据传输到数据处理模块用于进一步分析和处理；

所述数据处理模块用于振动信号的转化，在接收到轴承振动信号后，对数据进行优化处理，并发送到PC端用于进一步分析处理；

所述通信模块用于信号处理模块和PC端的通信，在接收到数据处理模块传输的轴承振动信号数据实时发送到PC端用于进一步的处理和分析；