[发明专利]一种基于GAF-VGG的滚动轴承故障诊断方法及装置

权利要求书

1.一种基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，包括：

采集滚动轴承的一维时序信号；

基于格拉姆角场原理将所述一维时序信号转换为二维时序图，所述二维时序图包括多个时序向量；

建立初始VGG神经网络模型；

通过所述多个时序向量训练所述初始VGG神经网络模型，获得目标故障诊断模型；

通过所述目标故障诊断模型对所述滚动轴承进行故障诊断。

2.根据权利要求1所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述基于格拉姆角场原理将所述一维时序信号转换为二维时序图包括：

将所述一维时序信号进行归一化处理，生成归一化信号；

将所述归一化信号进行极坐标变换，生成极坐标信号；

将所述极坐标信号通过格拉姆角场转换为所述二维时序图。

3.根据权利要求2所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述将所述一维时序信号进行归一化处理具体为：

式中，为第i时刻的归一化信号，x_i为一维时序信号中第i时刻的时序信号，max(X)为一维时序信号中的最大值，mim(X)为一维时序信号中的最小值。

4.根据权利要求2所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述多个时序向量中的每一时序向量均对应一时间戳；所述将所述归一化信号进行极坐标变换具体为：

式中，θ_i为第i时刻的极坐标信号的极角；r为第i时刻的极坐标信号的极半径；N为所述时间戳的总数；t_i为第i时刻对应的时间戳；为归一化信号。

5.根据权利要求2所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述格拉姆角场转换的转换矩阵为：

式中，G_s为转换矩阵，n为一维时序信号中时序信号的个数。

6.根据权利要求2所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述通过所述多个时序向量训练所述初始VGG神经网络模型，获得目标故障诊断模型包括：

将所述多个时序向量按照预设比例划分为训练集和测试集；

通过所述训练集对所述初始VGG神经网络模型进行训练，获得目标故障诊断模型；

通过所述测试集对所述目标故障诊断模型进行测试。

7.根据权利要求6所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述初始VGG神经网络模型包括输入层、至少一层卷积层、至少一层池化层、至少一层全连接层以及输出层；

所述卷积层包括多个3×3的卷积核，卷积步长为1，所述卷积层的激活函数为Relu函数；

所述池化层的池化方式为最大池化，池化步长为2，所述池化层的窗口大小为2×2；

所述全连接层的丢弃率为0.5，所述全连接层的激活函数为Relu函数；

所述输出层的激活函数为Softmax函数。

8.根据权利要求7所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述Relu函数为：

式中，f(x)为Relu函数；x为上一层的输入向量。

9.根据权利要求8所述的基于GAF-VGG的滚动轴承故障诊断方法，其特征在于，所述Softmax函数为：

式中，z_i+1为第i+1个节点的输出值；z_i为第i个节点的输出值；Z_c为单个节点的总输出值；C为输出节点的个数；e为自然常数。

10.一种基于GAF-VGG的滚动轴承故障诊断装置，其特征在于，包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1-9任意一项所述的基于GAF-VGG的滚动轴承故障诊断方法。