[发明专利]一种轴承故障的诊断方法、装置和系统

权利要求书

1.一种轴承故障的诊断方法，其特征在于，包括：

预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建具有分支结构的一维卷积神经网络模型，包括：构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型；

根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

2.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述采集故障轴承运行时的轴承故障数据，包括：

采用预设的轴承数据集；

根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。

3.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述采集故障轴承运行时的轴承故障数据，包括：

加工若干个具有不同损伤位置以及不同尺寸故障的轴承；

将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；

将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。

4.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述构建所述一维卷积神经网络基础模型，包括：

将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值；

将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值；

将所述一维卷积神经网络基础模型的多个池层尺寸均确定为第三预设值；

其中，所述第一预设值大于所述第二预设值。

5.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，包括：

将所述训练集输入所述一维卷积神经网络模型进行训练，获得所述一维卷积神经网络模型的损失值；

根据所述模型的损失值对所述一维卷积神经网络模型进行优化，以更新所述一维卷积神经网络模型。

6.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，还包括：

将所述验证集输入训练后的一维卷积神经网络模型进行验证，得到所述一维卷积神经网络模型的评价指标和性能指标；

判断所述评价指标和性能指标是否小于预设阈值；

若所述评价指标和性能指标小于预设阈值，则调整所述一维卷积神经网络模型，否则，保存训练后的一维卷积神经网络模型。

7.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述获取所述轴承的故障诊断结果，包括：

将所述测试集输入所述一维卷积神经网络模型，模型将提取轴承状态特征，并输出所述故障诊断结果；

其中，所述故障诊断结果包括以下至少一项：轴承的故障状态、故障位置和故障严重程度。

8.根据权利要求1所述的轴承故障的诊断方法，其特征在于，在所述通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果之后，所述方法还包括：

根据所述故障诊断结果从预设表格中匹配相适应的策略信号；其中，所述预设表格包括：至少一个故障诊断结果，以及与故障诊断结果相对应的策略信号。