[发明专利]基于S变换与微型卷积神经网络模型的轴承故障诊断方法

说明书

本发明提供了基于S变换与微型卷积神经网络模型的轴承故障诊断方法。所述方法包括对数据集中的一维时域信号进行S变换，得到二维时频域图像；进行双线性插值，调整图像大小，将调整后的所述二维时频域图像划分为训练集和测试集；构建微型卷积神经网络模型，将训练集的数据输入微型卷积神经网络模型进行训练，得到轴承故障诊断模型；将测试集的数据输入到轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。以此方式，可以利用S变换对数据进行预处理，提高信噪比，克服因信号处于强噪声环境而造成的信号特征不突出的问题，扩展了信号分析域；通过微型卷积神经网络模型对多种滚动轴承的故障进行智能诊断，提高故障诊断的准确率。

技术领域

本发明的实施例一般涉及故障诊断领域，并且更具体地，涉及基于S变换与微型卷积神经网络模型的轴承故障诊断方法。

背景技术

引起滚动轴承发生故障的原因有很多，比如轴承的长期超负荷运行、润滑不足、以及过载等都有可能引起设备的异常振动，从而造成巨大经济损失。近年来，随着大数据和人工智能的快速发展，深度学习在轴承故障诊断领域的应用逐渐成为研究热点，其能够及时并准确地对轴承的故障状态进行诊断，减小机器设备意外停机的风险系数。现有技术主要通过谱峭度法、小波变换来分析滚动轴承信号的振动信号特征，建立支持向量机、最近邻分类器诊断模型，从而实现滚动轴承的故障诊断。

然而，尽管传统信号处理技术已经十分成熟，但是这些时域或频域分析技术仅在处理线性、平稳的信号时会取得较好的结果，当工作环境处于强噪声背景下时，获取到的信号并不纯粹，还包含了大量的机械中其他运动部件和结构的信息。对于这种包含强噪声的复杂信号，需要使用一种无损可逆的时频域分析技术对信号进行预处理。

另外，基于深度学习的滚动轴承故障智能诊断技术正处于缺少工业数据的尴尬处境。现实的工业生产环境中，具有故障的数据集十分稀少，而经典的卷积神经网络架构层数较多、模型较为复杂，很容易造成过拟合的现象发生。

发明内容

根据本发明的实施例，提供了一种基于S变换与微型卷积神经网络模型的轴承故障诊断方案。

在本发明的第一方面，提供了一种基于S变换与微型卷积神经网络模型的轴承故障诊断方法。该方法包括：

获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；

对所述二维时频域图像进行双线性插值，调整图像大小，得到调整后的所述二维时频域图像，将调整后的所述二维时频域图像划分为训练集和测试集；

构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；

将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。

进一步地，在对所述数据集中的一维时域信号进行S变换前，对所述一维时域信号进行归一化，包括：

其中，v′为归一化后的一维时域信号；v为待归一化的一维时域信号；min_v和max_v分别为待归一化的一维时域信号的最小值和最大值；min_v′和max_v′分别为归一化后的一维时域信号的最小值和最大值。

进一步地，所述对所述数据集中的一维时域信号进行S变换，得到二维时频域图像，包括：

其中，h(t)为一维时域信号；S(τ，f)为一维时域信号h(t)经过S变换后的结果；τ为高斯窗口在时间t上的时移参数；f为频率；ω(τ-t，f)为高斯窗函数；i为虚数单位。