[发明专利]一种基于GAF-VGG的滚动轴承故障诊断方法及装置

说明书

本发明了提供一种基于GAF‑VGG的滚动轴承故障诊断方法及装置，所述方法包括：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。本发明通过基于格拉姆角场原理将一维时序信号转换为二维时序图，让目标故障诊断模型更好的学习到时间维度的信息，提高故障诊断结果的可靠性；建立初始VGG神经网络模型可以大幅度减少训练的参数，进而提高故障诊断速度和精确度。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于GAF-VGG的滚动轴承故障诊断方法及装置。

背景技术

随着科学技术的快速发展，制造业中的机械设备变得越来越精密、巨大和智能，但同时设备中的零件结构变得越来越复杂，及时诊断零件故障对机械设备实际运行变得非常重要。目前机械设备在复杂多变的环境下长时间连续运行极容易发生故障，而随着机械设备的不断信息化，故障的类型也变得复杂多样。特别是在滚动轴承的故障诊断中，一旦无法及时发现轴承故障，将对机械设备的现场作业带来严重后果。因此需要快速发展的人工智能方法帮助，以便及时获得准确信息，及时判断出滚动轴承是否存在故障。

在传统的故障诊断方法中，一般步骤为：信号收集、信号预处理、特征提取和故障识别。信号预处理技术经过多年的发展，目前已经较为成熟，常见的有小波分析、奇异值分解、EMD分解等滤波方法。经过预处理后的信号还需进行故障特征的选取，一般从时域或者频域的角度去选取。目前常见的智能诊断方法是将选取后的特征与BP网络、支持向量机、k近邻算法等相结合进行故障诊断。然而滚动轴承的运行环境越来越复杂，传统的智能故障诊断方法通常表现的不太理想，特征选取过度依赖专家的先验经验，不具备自适应性，因此如何进行有效的故障特征提取对故障诊断研究至关重要。

随着深度学习的不断发展，其在图像识别，语音处理和文本处理中具有良好的预测识别性能。与传统的故障诊断方法相比，深度学习具有较强的学习功能能力，可以从大量的数据中自动的提取出特征，因此它减少了对专家知识的依赖。目前已经有学者将深度学习理论与故障诊断相结合，用到了卷积神经网络，一般直接将一维振动信号当做输入或者将一维信号转为灰度图、时域图等方式当作输入，建立相应维度的CNN模型进行训练识别。但这些输入方式并没有考虑到时间和故障信号之间的内在联系，CNN无法直接提取到时间这一维度的特征，导致故障诊断结果不可靠。同时传统的卷积神经网络参数较多，大大影响了故障诊断的性能，不能快速的做出故障诊断，导致故障诊断速度较慢。

发明内容

本发明提供一种基于GAF-VGG的滚动轴承故障诊断方法及装置，旨在解决现有技术中存在的故障诊断结果不可靠以及故障诊断速度较慢的技术问题。

一方面，本发明提供一种基于GAF-VGG的滚动轴承故障诊断方法，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。

在本发明一种可能的实现方式中，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