CN112729834B - 一种轴承故障的诊断方法、装置和*** - Google Patents

Abstract

本申请公开了一种轴承故障的诊断方法、装置和***，涉及故障检测技术领域，所述方法包括：预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；构建具有分支结构的一维卷积神经网络模型；根据所述轴承故障数据对所述一维卷积神经网络模型进行训练；通过训练后的一维卷积神经网络模型自动提取轴承状态特征，并获取所述轴承的故障诊断结果。本申请的方案实解决了目前轴承故障诊断难以直接从原始数据中提取深层特征，需要对数据进行额外的预处理，且处理高维数据不足的问题，实现了直接从收集得到的一维数据中提取有效特征，准确率高，操作方便。

Description

一种轴承故障的诊断方法、装置和***

技术领域

本申请涉及故障检测技术领域，特别涉及一种轴承故障的诊断方法、装置和***。

背景技术

滚动轴承广泛应用于泵、涡轮、齿轮箱、压缩机、发动机等旋转机械中，由于旋转设备的复杂性和工作环境的性质，滚动轴承非常容易发生故障。有关统计显示，轴承故障占所有电机故障的40至50％。当轴承发生故障时，可能会造成严重的经济损失甚至威胁生命。因此，对滚动轴承进行自动、准确的故障诊断，对维护机械设备的安全稳定运行具有重要意义。

在现有技术中，故障诊断方法通常可分为基于模型、基于信号和基于智能的方法。基于模型的方法从物理原理或***辨识技术来模拟工业过程或实际***，通过相关算法将从***获得的实际测量值与***数学模型生成的输出值进行比较。然而，在采用基于模型的方法时，需要提前了解***的先验信息，否则会对模型精度造成很大的影响。基于信号的诊断方法很大程度上依赖于模式分析和监控***的先验知识。在实践中，这种先验知识很大程度上受人为因素的影响，甚至在***非线性或工作条件高度复杂的情况下可能无法获得。

传统的智能诊断算法分为特征提取与分类器两部分，一个智能故障诊断***的成功与否，关键在于特征提取器与分类器的选择。目前智能诊断算法的研究存在以下几个问题：采用传统轴承智能诊断算法诊断时，要达到高的识别率，不同的机械***会对应不同特征提取器与分类器的组合，算法的通用性不能保证。且利用快速傅里叶变换或者小波变换对信号进行特征提取时会造成信息的缺失。

近年来，机器学习算法在滚动轴承诊断中得到了广泛的应用。机器学习能够利用大量数据来解决人类看不到的特定趋势和模式。然而，传统的机器学习模型仍然存在一些不足。例如，很难从原始数据中提取深层特征，且不能很好地处理高维数据。

发明内容

本申请实施例提供一种轴承故障的诊断方法、装置和***，以解决目前轴承故障诊断原始数据中提取深层特征，且处理高维数据不足的问题。

为了解决上述技术问题，本申请采用如下技术方案：

本申请实施例提供一种轴承故障的诊断方法，包括：

预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建具有分支结构的一维卷积神经网络模型；

根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

可选的，所述采集故障轴承运行时的轴承故障数据包括：

采用预设的轴承数据集；

根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。

可选的，所述采集故障轴承运行时的轴承故障数据，包括：

加工若干个具有不同损伤位置以及不同尺寸故障的轴承；

将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；

将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。

可选的，所述构建具有分支结构的一维卷积神经网络模型，包括：

构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；

构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；

基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型。

可选的，所述构建所述一维卷积神经网络基础模型，包括：

将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值；

将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值；

将所述一维卷积神经网络基础模型的多个池层尺寸均确定为第三预设值；

其中，所述第一预设值大于所述第二预设值。

可选的，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，包括：

将所述训练集输入所述一维卷积神经网络模型进行训练，获得所述一维卷积神经网络模型的损失值；

根据所述模型的损失值对所述一维卷积神经网络模型进行优化，以更新所述一维卷积神经网络模型。

可选的，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，包括：

将所述验证集输入训练后的一维卷积神经网络模型进行验证，得到所述一维卷积神经网络模型的评价指标和性能指标；

判断所述评价指标和性能指标是否小于预设阈值；

若所述评价指标和性能指标小于预设阈值，则调整所述一维卷积神经网络模型，否则，保存训练后的一维卷积神经网络模型。

可选的，所述获取所述轴承的故障诊断结果，包括：

将所述测试集输入所述一维卷积神经网络模型，模型将提取轴承状态特征，并输出所述故障诊断结果；

其中，所述故障诊断结果包括以下至少一项：轴承的故障状态、故障位置和故障严重程度。

可选的，在所述通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果之后，所述方法还包括：

根据所述故障诊断结果从预设表格中匹配相适应的策略信号；其中，所述预设表格包括：至少一个故障诊断结果，以及与故障诊断结果相对应的策略信号。

本申请实施例还提供一种轴承故障的诊断装置，包括：

采集模块，用于预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建模块，用于构建具有分支结构的一维卷积神经网络模型；

处理模块，用于根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

获取模块，用于通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

本申请实施例还提供一种轴承故障诊断***，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的轴承故障的诊断方法的步骤。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述轴承故障的诊断方法的步骤。

本申请的有益效果是：

上述技术方案中，通过预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；便于后续根据该轴承数据对该轴承的故障进行诊断；构建具有分支结构的一维卷积神经网络模型；根据所述轴承故障数据对所述一维卷积神经网络模型进行训练；通过训练后的一维卷积神经网络模型自动提取轴承状态特征，并直接获取所述轴承的故障诊断结果。本申请公开的轴承故障的诊断方法，直接使用原始的振动信号作为输入，不需要额外的数据处理，降低了获得训练样本的难度，通过结合一维卷积神经网络基础模型和轴承故障数据的分层结构，提取更加深层的故障特征和更加抽象的信息，具有高的分类精度的同时，又降低了训练的难度。

附图说明

图1为本申请实施例的轴承故障的诊断方法的流程示意图；

图2为本申请实施例的一维卷积神经网络基础模型的具体结构示意图；

图3为本申请实施例的具有分支结构的一维卷积神经网络模型的示意图；

图4为本申请实施例的轴承故障的诊断装置的结构示意图。

具体实施方式

为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本申请针对目前轴承故障诊断难以直接从原始数据中提取深层特征，需要对数据进行额外的预处理，且处理高维数据不足的问题，提供一种轴承故障的诊断方法、装置和***。

需要说明的是，本申请针对现有基于模型的诊断方法和针对信号的诊断方法依赖于***的先验知识，传统的智能诊断算法进行特征提取时会造成信息的缺失，传统的机器学习模型难以直接从原始数据中提取深层特征，且不能很好地处理高维数据等问题，提供一种基于原始一维数据的轴承故障的诊断方法、装置和***，从而利用卷积神经网络模型，实现“端到端”的轴承故障的智能诊断。该方法不需要任何数据预处理操作，能够直接从收集得到的一维数据中提取有效特征，准确率高，操作简单。

如图1所示，为本申请实施例的轴承故障的诊断方法的流程的示意图之一，该方法包括：

步骤100，预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

这里，需要说明的是，所述轴承故障数据具体是能够反映轴承工作情况和/或轴承工作状态的信号，例如可获取轴承的位移、速度或加速度等信号，也就是说，可以从这些信号中提取该轴承数据；又例如，该轴承数据可以为符合德国帕德伯恩大学(Paderborn)提供的轴承数据集。

步骤200，构建具有分支结构的一维卷积神经网络模型；

这里，通过获取具有分支结构的一维卷积神经网络模型，可以获得较为准确的诊断结果；还可以提取更加深层的故障特征和更加抽象的信息，具有高的分类精度。

步骤300，根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

需要说明的是，通过训练模型可以从原始一维轴承故障数据中自动学习轴承状态特征，通过调整模型的参数可以获取更为符合轴承数据的最佳模型，以得到较精准的诊断结果。

步骤400，通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

该实施例中，直接将原始一维信号，即轴承故障数据作为输入，训练构建的诊断模型；将故障数据输入训练好的网络模型中，根据模型输出结果进行故障诊断，从而做出相应决策。这样就不需要任何数据预处理操作，能够直接从收集得到的一维数据中提取有效特征，实现了基于原始一维数据的轴承故障的智能诊断，准确率高，操作简单。

通过上述步骤100至步骤400，本申请直接使用原始的振动信号作为输入，不需要额外的数据处理，降低了获得训练样本的难度，通过结合一维卷积神经网络基础模型和轴承故障数据的分层结构，提取更加深层的故障特征和更加抽象的信息，具有高的分类精度的同时，又降低了训练的难度。

可选的，所述步骤100，包括：

采用预设的轴承数据集；

根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。

该实施例中，采用预设的轴承数据集，这里的所述的轴承数据集优选为德国帕德伯恩大学(Paderborn)提供的轴承数据集，通过所述预设的划分比例将所述轴承数据集的原始时间序列信号进行划分，可以划分为训练集、验证集和测试集。所述训练集数据用来训练预先构建的具有分支结构的一维卷积神经网络模型，验证集数据用来进一步调整训练后的模型参数，测试集数据用来检验模型性能。

本可选实现方式中，通过将轴承数据划分为训练集、验证集和测试集，实现了依次对预先构建的具有分支结构的一维卷积神经网络模型的训练、验证和测试，如此，使得具有分支结构的一维卷积神经网络模型为符合轴承数据的最佳模型，以得到较精准的诊断结果。

可选的，所述步骤100，还包括：

加工若干个具有不同损伤位置以及不同尺寸故障的轴承；

将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；

将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。

本实施例中，为了获取能反映滚动轴承不同损伤位置以及不同故障大小的数据，需要加工具有不同损伤位置以及不同尺寸大小故障的滚动轴承，使用加速度传感器测量其加载区的振动加速度信号，电涡流传感器测量其转速。对每个故障轴承测量不同工况中的振动加速度数据，使用轴承的损伤位置以及故障的尺寸大小作为采集到的数据的标签，与数据一起进行存储。其中，所述不同工况包括在轴承故障数据测量过程中施加不同的转速、负载转矩以及加速度。

在可选实施例中，所述步骤200，包括：

步骤210，构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；

这里，需要说明的是，每个一维卷积神经网络基础模型均由一个卷积层、一个批量归一化层、一个激活层和一个最大池化层构成。

步骤220，构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；

需要说明的是，以德国帕德伯恩大学(Paderborn)轴承数据的故障层次结构为例，根据轴承故障的存在位置以及故障的严重程度等不同的分类方式，将轴承故障分为三个不同的分类层次。第一层分为两类，判断是否存在故障；第二层分为三类，判断故障存在的位置；第三层分为五类，进一步诊断故障的严重程度。构建轴承故障的层次结构后还包括：根据轴承故障数据的层次结构，在轴承数据上添加相应的三个标签，如[0,0,0]，分别对应轴承故障数据的层次结构中的是否存在故障，故障位置以及故障的损伤等级，可以反应出故障状态层、故障位置层和故障严重程度层。

步骤230，基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型。

本步骤中，如图3所示，以具有分支结构的一维卷积神经网络模型包括五个特征提取模块为例，该模型能至少提取三个特征信息，输出三个不同的诊断结果，故除了传统卷积神经网络末端的输出层外，在该一维卷积神经网络基础模型的第一个特征提取模块和第三个特征提取模块的池化层之后添加额外的分支结构进行提取特征信息。卷积神经网络的较低层提取简单特征，输出较粗的诊断结果，进行简易诊断；较高层提取较为复杂的特征，输出较细的诊断结果，进行精密诊断，从而实现轴承故障的多层诊断。

本可选实施方式中，预先构建的具有分支结构的一维卷积神经网络模型，通过将步骤220的层次结构和步骤210构建的一维卷积神经网络基础模型融合，从而构建出了具有分支结构的一维卷积神经网络模型，实现对轴承数据的智能分层诊断并输出包括轴承故障状态、故障位置和故障严重程度三个预测值的输出结果，从而便于后续根据该输出结果及其发展趋势做出相应决策。

当然，当采集得到的轴承故障的数据量比较小时，具有分支结构的一维卷积神经网络模型可以仅包括三个特征提取模块，在轴承数据的数量较大的情况下，可以增加步骤210中构建的一维卷积神经网络基础模型的特征提取模块的数量，以增强模型的特征提取能力，当然，用户也可以根据自身需求输入相应的参数以调整具有分支结构的一维卷积神经网络模型。

具体地，如图2所示，所述构建一维卷积神经网络基础模型，包括：

将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值，

将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值；

将所述一维卷积神经网络基础模型的多个池层尺寸均确定为第三预设值；

其中，所述第一预设值大于所述第二预设值。

该实施例中，构建一维卷积神经网络基础模型，所述构建一维卷积神经网络基础模型包括结构参数和训练超参数，所述结构参数包括但不限于卷积核尺寸，所述训练超参数包括但不限于训练的轮数、学习率；这里，构建所述一维卷积神经网络基础模型包括五个特征提取模块。每个模块均由一个卷积层，一个批量归一化层，一个激活层和一个最大池化层构成。将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值，即将第一层卷积核尺寸为32×1；将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值，即除第一层外，其余卷积核尺寸均为3×1；将所述一维卷积神经网络基础模型的多个所述池层尺寸均确定为第三预设值，即所有池层的区域尺寸均为2×1。

可选的，所述步骤300包括：

步骤310，将所述训练集输入所述具有分支结构的一维卷积神经网络模型进行训练，获得所述一维卷积神经网络模型的损失值；

本步骤中，如图3所示，在模型训练过程中，模型的最终损失值由每一个分支结构的损失值根据损失权重加权求和得到。

其次，根据模型的损失值对具有分支结构的一维卷积神经网络模型进行优化，以更新所述具有分支结构的一维卷积神经网络模型。

该步骤在实现过程中，不需要任何小波变换、快速傅里叶变换等特征提取的操作，直接将一维的轴承数据作为模型输入，所述轴承故障数据的训练集用来训练具有分支结构的一维卷积神经网络模型，模型的最终损失值由每一个分支结构的损失值根据损失权重加权求和得到，并在训练过程中进行优化。训练迭代后，对模型进行更新；所述轴承故障数据的验证集用来对模型参数进行调整，所述轴承故障数据的测试集检验模型的诊断性能。

步骤320，将所述验证集输入训练后的一维卷积神经网络模型进行验证，得到所述一维卷积神经网络模型的评价指标和性能指标；

判断所述评价指标和性能指标是否小于预设阈值；

若所述评价指标和性能指标小于预设阈值，则调整所述一维卷积神经网络模型，否则，保存训练后的一维卷积神经网络模型。

该实施例中，将所述验证集输入训练后的一维卷积神经网络模型进行验证，得到所述一维卷积神经网络模型的评价指标和性能指标；判断所述评价指标和性能指标是否小于预设阈值，若是，调整所述结构参数和训练参数，并重新将所述训练集输入所述一维卷积神经网络模型进行训练，若否，保存训练后的一维卷积神经网络模型；通过所述训练后的一维卷积神经网络模型，提取更加深层的故障特征和更加抽象的信息，具有高的分类精度的同时，又降低了训练的难度。

可选的，所述步骤400，包括：

将所述测试集输入所述一维卷积神经网络模型，模型将自动提取轴承状态特征，直接输出所述故障诊断结果；

其中，所述故障诊断结果包括以下至少一项：轴承的故障状态、故障位置和故障严重程度。

该实施例中，将需要诊断的轴承故障数据，即所述测试集直接输入训练好的一维卷积神经网络模型中，数据在模型的流动过程中会依次输出三个预测值，分别代表轴承状态、故障位置以及故障的严重程度，可以根据模型的输出对轴承状态进行诊断。

可选的，在所述根据训练后的一维卷积神经网络模型自动提取轴承状态特征，并直接获取所述轴承的故障诊断结果之后，所述方法还包括：

根据所述故障诊断结果从预设表格中匹配相适应的策略信号；其中，所述预设表格包括：至少一个故障诊断结果，以及与故障诊断结果相对应的策略信号。

该实施例中，所述故障诊断结果包括故障状态、故障位置和故障严重程度，本申请实施例可以根据该输出结果诊断出轴承的状态及其发展趋势，做出相对应的控制策略，该控制策略可包括调整、控制、维修或继续监视等。

综上所述，本申请提供的基于原始一维数据的轴承故障的诊断方法将构建具有分支结构的一维卷积神经网络模型，直接将一维的轴承数据作为模型输入，这样就不需要任何数据预处理操作，能够直接从收集得到的一维数据中提取有效特征，实现了基于原始一维数据的轴承故障的智能诊断，准确率高，操作简单。

如图4所示，本申请实施例还提供一种轴承故障的诊断装置，包括：

采集模块10，用于预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建模块20，用于构建具有分支结构的一维卷积神经网络模型；

处理模块30，用于根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

获取模块40，用于通过训练后的一维卷积神经网络模型自动提取轴承状态特征，并获取所述轴承的故障诊断结果。

可选的，所述采集模块10，包括：

采集单元，用于采用预设的轴承数据集；

划分单元，用于根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。

可选的，所述采集模块10，还包括：

加工若干个具有不同损伤位置以及不同尺寸故障的轴承；

第二采集单元，用于将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；

存储单元，用于将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。

可选的，所述构建模块20，包括：

第一构建单元，用于构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；

第二构建单元，用于构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；

第三构建单元，用于基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型。

可选的，所述第一构建单元，包括：

确定单元，用于将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值；

第二确定单元，用于将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值；

第三确定单元，用于将所述一维卷积神经网络基础模型的多个池层尺寸均确定为第三预设值；

其中，所述第一预设值大于所述第二预设值。

可选的，所述处理模块30，包括：

训练单元，用于将所述训练集输入所述一维卷积神经网络模型进行训练，获得所述一维卷积神经网络模型的损失值；

更新单元，用于根据所述模型的损失值对所述一维卷积神经网络模型进行优化，以更新所述一维卷积神经网络模型。

可选的，所述处理模块30，还包括：

将所述验证集输入训练后的一维卷积神经网络模型进行验证，得到所述一维卷积神经网络模型的评价指标和性能指标；

判断所述评价指标和性能指标是否小于预设阈值；

若所述评价指标和性能指标小于预设阈值，则调整所述一维卷积神经网络模型，否则，保存训练后的一维卷积神经网络模型。

可选的，所述获取模块40，包括：

输出单元，用于将所述测试集输入所述一维卷积神经网络模型，模型将自动提取轴承状态特征，输出所述故障诊断结果；

其中，所述故障诊断结果包括以下至少一项：轴承的故障状态、故障位置和故障严重程度。

可选的，所述装置还包括：

匹配模块，用于根据所述故障诊断结果从预设表格中匹配相适应的策略信号；其中，所述预设表格包括：至少一个故障诊断结果，以及与故障诊断结果相对应的策略信号。

本申请实施例还提供一种轴承故障诊断***，包括：处理器，存储器及存储在所述存储器上并可在处理器上运行的程序，该程序被处理器执行时实现如上所述的轴承故障诊断方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供一种可读存储介质，该可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的轴承故障诊断方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (11)

1.一种轴承故障的诊断方法，其特征在于，包括：

预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建具有分支结构的一维卷积神经网络模型，包括：构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型；

根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

2.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述采集故障轴承运行时的轴承故障数据，包括：

采用预设的轴承数据集；

根据预设的划分比例将所述轴承数据集划分为训练集、验证集和测试集。

3.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述采集故障轴承运行时的轴承故障数据，包括：

加工若干个具有不同损伤位置以及不同尺寸故障的轴承；

将所述轴承在实验台上运行，采集每个滚动轴承对应的振动加速度信号；

将每个滚动轴承的故障位置、尺寸信息和其对应的振动加速度信号数据进行存储，建立轴承故障数据。

4.根据权利要求1所述的轴承故障的诊断方法，其特征在于，所述构建所述一维卷积神经网络基础模型，包括：

将所述一维卷积神经网络基础模型的结构参数的第一卷积核尺寸确定为第一预设值；

将所述一维卷积神经网络基础模型的结构参数的其余卷积核尺寸确定为第二预设值；

将所述一维卷积神经网络基础模型的多个池层尺寸均确定为第三预设值；

其中，所述第一预设值大于所述第二预设值。

5.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，包括：

将所述训练集输入所述一维卷积神经网络模型进行训练，获得所述一维卷积神经网络模型的损失值；

根据所述模型的损失值对所述一维卷积神经网络模型进行优化，以更新所述一维卷积神经网络模型。

6.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整，还包括：

将所述验证集输入训练后的一维卷积神经网络模型进行验证，得到所述一维卷积神经网络模型的评价指标和性能指标；

判断所述评价指标和性能指标是否小于预设阈值；

若所述评价指标和性能指标小于预设阈值，则调整所述一维卷积神经网络模型，否则，保存训练后的一维卷积神经网络模型。

7.根据权利要求2所述的轴承故障的诊断方法，其特征在于，所述获取所述轴承的故障诊断结果，包括：

将所述测试集输入所述一维卷积神经网络模型，模型将提取轴承状态特征，并输出所述故障诊断结果；

其中，所述故障诊断结果包括以下至少一项：轴承的故障状态、故障位置和故障严重程度。

8.根据权利要求1所述的轴承故障的诊断方法，其特征在于，在所述通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果之后，所述方法还包括：

根据所述故障诊断结果从预设表格中匹配相适应的策略信号；其中，所述预设表格包括：至少一个故障诊断结果，以及与故障诊断结果相对应的策略信号。

9.一种轴承故障的诊断装置，其特征在于，包括：

采集模块，用于预设工况以及采样频率下，采集故障轴承运行时的轴承故障数据；

构建模块，用于构建具有分支结构的一维卷积神经网络模型，包括：构建一维卷积神经网络基础模型，所述一维卷积神经网络基础模型能至少提取三个特征信息；构建所述轴承故障数据的分层结构，其中，所述分层结构包括故障状态层、故障位置层和故障严重程度层；基于卷积神经网络模型自然分层的特点，将所述轴承故障数据的分层结构与所述一维卷积神经网络基础模型进行融合，构建所述具有分支结构的一维卷积神经网络模型；

处理模块，用于根据所述轴承故障数据对所述一维卷积神经网络模型进行训练和调整；

获取模块，用于通过训练后的一维卷积神经网络模型提取轴承状态特征，并获取所述轴承的故障诊断结果。

10.一种轴承故障诊断***，其特征在于，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至权利要求8中任一项所述的轴承故障的诊断方法的步骤。

11.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至权利要求8任一项所述轴承故障的诊断方法的步骤。

Images