[发明专利]一种轴承振动信号特征可解释性降维与故障诊断方法

说明书

本发明公开了一种轴承振动信号特征可解释性降维与故障诊断方法，包括：采集轴承在不同状态下的振动信号，将振动信号划分为训练集和测试集；构建信息最大化生成对抗网络模型；将训练集输入信息最大化生成对抗网络模型进行迭代训练，获得训练好的网络模型；将测试集输入训练好的网络模型进行特征可解释性降维与故障诊断，获得轴承故障结果。本发明通过信息最大化生成对抗网络，得到的轴承故障诊断模型抗噪声能力强，可同时诊断轴承的故障类型、故障程度和负载，诊断精度高。

技术领域

本发明属于轴承故障检测技术领域，特别是涉及一种轴承振动信号特征可解释性降维与故障诊断方法。

背景技术

滚动轴承是风电机组中最常见、最易损坏的零件之一，在工程实践中，滚动轴承的故障可能会导致巨大的经济损失和意外事故。针对该问题，亟待研究运用可靠的智能算法，通过开展滚动轴承故障诊断，实现风电机组故障的早期预警和智能故障诊断，以便合理运行调度、有计划预检预修，达到减少设备故障频度、延长设备运行周期、降低运维成本的目的。但是从故障发生源到振动检测点经过不同传递路径的衰减和混合作用，监测到的轴承信号往往混有大量背景噪声，具有干扰大、非平稳、非线性的特点，因此影响了对故障的精确分析诊断。

因此，存在着对于能够在早期有效地识别出轴承等设备的故障类型、故障程度、负载的方法的需求。

发明内容

针对现有技术存在的问题，本发明提供了一种轴承振动信号特征可解释性降维与故障诊断方法，能够有效地抑制噪声干扰对滚动轴承故障信息的影响，使滚动轴承故障特征的提取精度大大提高。

为实现上述目的，本发明提出了如下技术方案，本发明提供一种轴承振动信号特征可解释性降维与故障诊断方法，包括：

采集轴承在不同状态下的振动信号，将所述振动信号划分为训练集和测试集；

构建信息最大化生成对抗网络模型；

将所述训练集输入所述信息最大化生成对抗网络模型进行迭代训练，获得训练好的网络模型；

将所述测试集输入所述训练好的网络模型进行特征可解释性降维与故障诊断，获得轴承故障结果。

优选地，采集所述轴承在不同状态下的振动信号之后，还包括对所述振动信号设置相应的标签，所述振动信号为一维时间序列数据，将所述振动信号按照8:2的比例划分为训练集和测试集。

优选地，所述信息最大化生成对抗网络模型至少包括生成器和鉴别器，在迭代训练中通过Adam算法调整网络权值。

优选地，所述生成器包括第一输入层、第一中间层、第一输出层；

所述第一中间层包括全连接层和二维反卷积层。

优选地，所述第一输入层长度为113，包括：服从最小值为-1，最大值为1均匀分布的长度为100的白噪声、代表故障类型的随机生成的长度为4的one-hot数据、代表故障程度的随机生成的长度为5的one-hot数据、代表负载的随机生成的长度为4的one-hot数据。

优选地，所述第一中间层包括一层全连接层和四层二维反卷积层，所述二维反卷积层的卷积核均设置为5×5，且全连接层在前，四层二维反卷积层在后，所述二维反卷积层之间的激活函数为ReLU函数；

所述第一输出层为一层二维反卷积层，激活函数为Sigmoid函数。

优选地，所述鉴别器包括第二输入层、第二中间层、第二输出层；

所述第二中间层包括全连接层和二维卷积层；

所述第二输入层用于生成样本和训练集样本；