[发明专利]一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法

权利要求书

1.一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，其特征在于，该方法包括以下步骤：

步骤S1、提取原始一维振动信号中的时域特征、频域特征、工况特征和时间差分特征，并与所述原始一维振动信号组合形成新的一维信号样本；

步骤S2、将步骤S1中得到的新的一维信号样本转换为二维图像格式；

步骤S3、对步骤S2中经转换后的一维信号样本做混类增强处理，构造出虚拟样本和虚拟标签；

步骤S4、将步骤S3中得到的虚拟样本和虚拟标签作为训练集，输入至入ResNet18网络中进行训练，得到故障诊断模型；

步骤S5、用未被训练过并且未做过混类增强的样本和标签作为测试集，在步骤S4中得到的故障诊断模型上进行测试，获得滚动轴承故障诊断分类结果。

2.根据权利要求1所述的一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，其特征在于，在所述步骤S1中，所述原始一维振动信号包括美国凯斯西储大学实验室的轴承实验数据，该实验数据采用12K采样频率下的驱动端轴承数据，由加速度计获得。

3.根据权利要求1所述的一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，其特征在于，在所述步骤S1中，通过对所述原始一维振动信号进行预处理来提取得到时域特征、频域特征、工况特征和时间差分特征，并且将提取到这四种特征与所述原始一维振动信号进行组合处理，组合形式为顺序拼接；所述时域特征包括：某一段信号上的最大值、均值、方差、均方根值、偏度、峰度；所述频域特征包括：小波系数、谱峭度、谱偏度；

所述工况特征包括：工作条件的one-hot编码；所述时间差分特征：每个时间窗内的变化幅度特征。

4.根据权利要求1所述的一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，其特征在于，在所述步骤S2中，对所述新的一维信号样本的转换采用顺序拆分。

5.根据权利要求1所述的一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，其特征在于，在所述步骤S3中，所述混类增强处理包括线性插值，通过对经转换后的一维信号样本进行线性插值，用以构造出新的数据样本和对应one-hot标签。

6.根据权利要求1所述的一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，其特征在于，所述故障诊断模型具有已经训练好的模型权重文件。