(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111173286.X (22)申请日 2021.10.08 (71)申请人 西安科技大 学 地址 710054 陕西省西安市雁塔中路58号 (72)发明人 樊红卫　薛策译　张旭辉　曹现刚　 高烁琪　严杨　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 陈翠兰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种振动图像驱动 的滚动轴承智能故障诊 断方法 (57)摘要 本发明公开了一种振动图像驱动 的滚动轴 承智能故障诊断方法， 首先针对滚动轴承数据选 择区别率最大的时域特征指标， 据此计算各层 IMF的角度自适应率， 再对振动数据进行EMD ‑ AADPC振动图像转换， 生成EMD ‑AADPC振动图像样 本并划分训练、 验证与测试数据集； 搭建CNN 分类 模型， 使用训练集样本进行训练， 并根据验证集 结果进行模 型超参数优化调节， 获得最佳模型训 练参数， 再采用测试数据集进行模 型诊断性能评 估。 本发明实现了对滚动轴承的故障诊断， 且诊 断方式变得更加智能化、 高效化。 权利要求书2页 说明书7页 附图2页 CN 113919220 A 2022.01.11 CN 113919220 A 1.一种振动图像驱动的滚动轴承智能故障诊断方法， 其特 征在于， 包括以下步骤； 步骤1)采集实验平台振动数据， 并构建滚动轴承 振动信号数据集； 步骤2)对步骤1)获得的振动数据进行EMD ‑AADPC图像转换， 得到二维振动图像样本集， 并将其按预设比例划分为训练集、 验证集及测试集； 步骤3)构建用于分类识别的卷积神经网络模型； 步骤4)输入步骤2)中得到的训练集对卷积神经网络模型进行训练， 再根据验证集测试 结果进行超参数调试， 最终保存最佳分类模型； 步骤5)将步骤2)中得到的测试集输入步骤4)所 得的最佳分类模型中进行测试。 2.根据权利要求1所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 所述步骤1)具体为： 规划振动传感器布置， 包括 故障轴承近端位置布置及故障轴承远端 位置布置； 再进行上位机参数配置， 进行数据采集并按照4类轴承状态进行整理， 从而构建 滚动轴承振动信号数据集， 所述4类轴承状态分别为正常状态、 内圈故障、 外圈故障与滚动 体故障。 3.根据权利要求2所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 所述步骤2)具体包括： 步骤2.1)数据段划分： 将步骤1)得到的滚动轴承振动信号数据集进行数据段划分， 即 每一类故障状态的数据集划分为 N段， 其中第i段表示 为Ni， 每一段 数据的长度为 n； 步骤2.2)数据EMD降噪： 对第i段数据进行EMD分解， 得到若干组经验模态分量IMF， 依次 计算每一组IMF与第i段数据的相关性， 并按照相关性由高到低排列， 取前6组IMF进行叠加 得到降噪后的数据段， 依次对N组数据段分别进行降噪处理得到降噪后的数据DNi， 所述前6 组IMF分别为 IMF1～IMF6； 步骤2.3)计算步骤2.2)中各IMF的时域指标区别率： 对N组DNi经EMD分解得到的6组 IMF， 分别计算每组IMF的时域指标a～ l， 时域指标a～l中每组包含6项IMF的时域指标， 分别 求N个IMF1～IMF6时域特征值的平均值得到时域指标a～l的向量， 再计算该向量的标准差 得到A～L， A～L定义为4类轴承状态下数据各IMF对应10项 时域指标a～l的区别率， 其意义 为IMF1～ IMF6之间的特征值的区别程度， A～L越 大则区别程度越 大， 反之则越小， 取区别率 最大的时域指标为zbS； 步骤2.4)EMD ‑AADPC振动图像生成： 将步骤2.3)中的IMF1～IMF6按下 式依次进行AADPC 转换， 如IMF1将转换 得到极坐标点P1( θ(i),γ(i) )， 计算公式如下式， 式中： θ(i)与γ(i)分别为第i个数据 点在极坐标中对应的角度与半径值； xmax为振动参 量最大值； xmin为振动参量最小值； a为时间间隔； xi为第i个振动参量值； xi+a为第i+a个振动 参量值； 取值范 围3～10； adp为角度自适应率， 其定义为： 步骤2.3)中IMF1～IMF6所对应 时 域指标平均值数据组进行归一化后， 得到包含6个值的向量adp1～adp6， adp1～adp6依次对 应IMF1～IMF6的角度自适应率， 其值越大， 对应的IMF将分配得到更多的角度因子， 从而实权　利　要　求　书 1/2 页 2 CN 113919220 A 2现6个IMF在极坐标 上不同程度的分布效果； b为角度放大系数， 取π/90； 为初始偏转角度； 步骤2.5)样本集的划分： 将经过步骤2.4)生成的EMD ‑AADPC振动图像按照对应 的故障 状态分别进行划分， 得到训练集、 验证集与测试集， 训练集作用为训练模型分类效果， 验证 集参与调节模型超参数， 测试集 为最终效果评估。 4.根据权利要求3所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 步骤2.3)中， 每组IMF的时域指标a～l共10项， 分别为IMF数据的最大值、 最小值、 平均 值、 峰‑峰值、 方差、 峭度、 波形因子、 峰值因子、 脉冲因子与裕度因子 。 5.根据权利要求3所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 步骤2.4)中， IMF1～IMF6分别分配的初始偏转角度为0 °、 60°、 120°、 180°、 240°与300°。 6.根据权利要求3所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 步骤2.4)中， 归一 化范围为[0.1～0.9]， 即将数据缩放到区间[0.1～0.9]。 7.根据权利要求2所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 步骤2)中预设比例为6:2:2。 8.根据权利要求1所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 所述步骤3)具体为， 调整 卷积神经网络模 型的输入层参数以符合图像样本的分辨率， 即 保证步骤2)得到的图像样 本能够被输入进 卷积神经网络模型中训练； 设置卷积层及 池化层 的训练步长为2 ～4， 以提高数据降维速度， 以减小模型训练时间， 优化模型识别效率。 9.根据权利要求1所述的一种振动图像驱动的滚动轴承智能故障诊断方法， 其特征在 于， 所述步骤4)具体为： 根据每次训练、 测试效果分别对卷积神经网络模型参数进行调整， 通过设置衰减学习率来自适应细化训练步长， 从而优化训练效果； 采取动量优化器 Momentum， 加快卷积神经网络模型收敛过程并减小震荡； 添加L1正则化， 改善CNN训练过程 出现的过拟合问题， 以获得最佳模型参数。 10.根据权利要求1所述的一种 振动图像驱动的滚动轴 承智能故障诊断方法， 其特征在 于， 所述步骤5)中以测试集的准确率、 精度、 召回率及F1 ‑score作为评价指标， 对步骤4)得 到的最佳分类模型进行系统性评估。权　利　要　求　书 2/2 页 3 CN 113919220 A 3