[发明专利]结合边缘计算和深度学习的滚动轴承故障诊断方法及系统

说明书

本发明公开了一种结合边缘计算和深度学习的滚动轴承故障诊断方法及系统，该方法包括如下步骤：边缘计算设备中的数据预处理模块对采集到的滚动轴承的振动信号进行预处理，得到样本数据；利用边缘计算设备中基于深度学习的故障检测与诊断模块对经上一步预处理得到的样本数据进行故障诊断和分类；利用边缘计算设备中储存有故障处理知识库，根据故障类别给出报警信号和应对方案；该系统包括信号采集模块、信号传输模块、搭载有数据预处理模块、故障检测与诊断模块以及故障处理知识库的边缘计算设备，边缘计算设备布置在数据源处。本发明将边缘计算和深度学习相结合，提高滚动轴承故障诊断的响应速度和准确率，满足了实时性和智能化。

技术领域

本发明属于边缘计算、轴承故障诊断智能化领域，具体涉及一种结合边缘计算和深度学习的滚动轴承故障诊断方法及系统。

背景技术

轴承故障是最常见的机械设备故障之一，保证轴承的正常运行，及时检测轴承的运行故障，对生产以及生命安全至关重要。传统方法通过研究时频域信号来诊断轴承，例如：小波包变换(WPT)、经验小波变换(EWT)、快速傅里叶变换(FFT)等，但是这些方法需要专业人士分析信号、取特征，自适应能力差，过程繁琐，诊断效果仍需要继续提高，诊断手段仍需要智能化。

近年来，深度学习在图像检测、信号处理、故障领域方面成果显著，基于深度学习的滚动轴承故障诊断方法得到了发展，它们以强大自适应能力，自发的提取故障特征，识别能力大大提升。例如利用堆叠式自编码器构成了深度学习网络，可以用来诊断滚动轴承故障。虽然深度学习的方法提高了轴承故障诊断的准确率，但是收集故障数据，事后分析故障的模式不能满足工业设备实时检测的需求，而边缘计算解决了这个问题，边缘计算是指在数据源头的附近，采用开放平台，就近直接提供最近端的服务。因此将边缘计算和深度学习相结合，既满足了工业设备故障检测的低延迟性，又满足了诊断的准确性和智能化。

发明内容

本发明为了克服传统的滚动轴承故障诊断方法准确率低，智能化水平低，延迟性高等不足，提供了一种结合边缘计算和深度学习的滚动轴承故障诊断方法及系统，该方法利用边缘计算技术，将边缘计算设备部署在数据源处，同时搭载深度学习一维卷积自编码器算法，可以实时的对滚动轴承的故障进行检测、诊断，提高了故障诊断方法的智能化水平以及准确率，实现了故障诊断的实时性。

为了实现上述目的，本发明所采用的技术方案是：结合边缘计算和深度学习的滚动轴承故障诊断方法，包括如下步骤：

步骤一，由边缘计算设备中的数据预处理模块对采集到的滚动轴承的振动信号进行预处理，预处理包括信号数据标准化和利用滑动窗口算法塑造样本，在用滑动窗口算法塑造样本时，以信号数据标准化后的振动信号为样本点；

步骤二，利用边缘计算设备中基于深度学习的故障检测与诊断模块对经上一步预处理得到的样本数据进行故障诊断和分类，故障检测与诊断模块在故障诊断和分类前已完成故障诊断和分类所需的训练；

步骤三，利用边缘计算设备中储存有故障处理知识库，根据步骤二判断出来的故障类别，给出报警信号和应对方案。

以上方法中，步骤一的信号数据标准化表达如下：

x_t＝(x_i-μ)/σ

其中，x_i是原始振动信号，μ为原始振动信号平均值，σ是原始振动信号标准差，x_t是标准化后的振动信号。

以上方法中，步骤一中的滑动窗口算法塑造样本的方法如下：以x_t为样本点，对于序列T＝(x₁，x₂，x₃，…，x_t)，取窗口长度为w，滑动步长为1，得到如下样本：

其中，t为包含所有样本点的总序列长度，T为样本点按时间先后顺序排列的序列，w为滑动窗口长度。