本發(fā)明屬于機(jī)械故障診斷領(lǐng)域，涉及滾動(dòng)軸承故障診斷領(lǐng)域，具體涉及一種考慮損傷度和傳感器異常的滾動(dòng)軸承擴(kuò)容診斷方法及系統(tǒng)。

背景技術(shù)：

1、滾動(dòng)軸承在各類工業(yè)設(shè)備中廣泛應(yīng)用，是最容易發(fā)生損傷的部件之一，其健康狀態(tài)直接影響設(shè)備的運(yùn)行狀況。滾動(dòng)軸承一旦發(fā)生故障或失效，輕則影響設(shè)備工作效能，重則導(dǎo)致重大安全事故。因此，對(duì)滾動(dòng)軸承進(jìn)行細(xì)致而準(zhǔn)確的故障診斷是保障設(shè)備安全平穩(wěn)運(yùn)行的重要措施。

2、基于經(jīng)典信號(hào)處理的故障診斷方法，需要較強(qiáng)的信號(hào)處理專業(yè)知識(shí)，且信號(hào)處理算法因工況不同而效果差異較大。隨著大數(shù)據(jù)分析和人工智能技術(shù)的飛速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)基于深度學(xué)習(xí)的故障診斷方法得到快速發(fā)展。

3、滾動(dòng)軸承的運(yùn)行工況復(fù)雜多變、噪聲水平高，其振動(dòng)信號(hào)的特征提取困難。一維振動(dòng)信號(hào)在受到干擾后，其頻率特征難以準(zhǔn)確提取，不利于準(zhǔn)確的故障診斷。將振動(dòng)信號(hào)轉(zhuǎn)換為圖像可以增強(qiáng)對(duì)故障特征的表達(dá)，目前缺乏簡(jiǎn)單且抗噪性強(qiáng)的振動(dòng)圖像轉(zhuǎn)換方法。對(duì)振動(dòng)圖像進(jìn)行深度學(xué)習(xí)，可以避免人工提取特征，能夠?qū)崿F(xiàn)智能故障診斷。在訓(xùn)練深度學(xué)習(xí)模型時(shí)，需要大量高質(zhì)量的數(shù)據(jù)，而實(shí)際中滾動(dòng)軸承的測(cè)試數(shù)據(jù)雖然數(shù)量大但有效的故障數(shù)據(jù)卻很少，亟需發(fā)展小樣本下滾動(dòng)軸承的智能故障診斷方法。此外，目前滾動(dòng)軸承的故障診斷技術(shù)主要是確定故障所在部位，一部分研究涉及確定故障類型，但基本上都缺乏對(duì)損傷度的識(shí)別，且當(dāng)傳感器出現(xiàn)故障時(shí)，故障診斷系統(tǒng)能否區(qū)分滾動(dòng)軸承故障和傳感器異常是目前滾動(dòng)軸承故障診斷尚未考慮的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種考慮損傷度和傳感器異常的滾動(dòng)軸承擴(kuò)容診斷方法及系統(tǒng)，以克服滾動(dòng)軸承常處于工況復(fù)雜多變、噪聲水平高的工作環(huán)境，以及現(xiàn)有振動(dòng)信號(hào)轉(zhuǎn)圖像方法和智能故障診斷方法存在的不足，本發(fā)明設(shè)計(jì)振動(dòng)信號(hào)向灰度紋理圖像的轉(zhuǎn)換方法，結(jié)合小樣本下數(shù)據(jù)擴(kuò)容模型及智能診斷模型，實(shí)現(xiàn)對(duì)滾動(dòng)軸承在小樣本下考慮損傷度和傳感器異常的智能故障診斷。

2、為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

3、考慮損傷度和傳感器異常的滾動(dòng)軸承擴(kuò)容診斷方法，包括以下步驟：

4、1)構(gòu)建滾動(dòng)軸承故障特征數(shù)據(jù)集

5、采集滾動(dòng)軸承在不同故障類型、同一故障類型不同損傷度和振動(dòng)傳感器異常情況下的振動(dòng)信號(hào)，對(duì)振動(dòng)信號(hào)按指定層數(shù)進(jìn)行變分模態(tài)分解并選擇特定分量重構(gòu)信號(hào)，對(duì)重構(gòu)信號(hào)按指定點(diǎn)數(shù)分段拼接為特征矩陣后依次進(jìn)行標(biāo)準(zhǔn)化、等比例縮放和局部二值化處理，生成振動(dòng)信號(hào)的灰度紋理圖像，將灰度紋理圖像打上標(biāo)簽后建立滾動(dòng)軸承故障特征數(shù)據(jù)集，并劃分為訓(xùn)練集和測(cè)試集；

6、2)構(gòu)建數(shù)據(jù)擴(kuò)容模型

7、利用滾動(dòng)軸承故障特征數(shù)據(jù)集構(gòu)建基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)擴(kuò)容模型，生成對(duì)抗網(wǎng)絡(luò)包含生成器和判別器，在生成器中加入最近鄰插值操作，在判別器中加入權(quán)重部分更新操作，所述訓(xùn)練集用于數(shù)據(jù)擴(kuò)容模型訓(xùn)練，再使用最大均值差異檢驗(yàn)數(shù)據(jù)擴(kuò)容模型的生成效果，保存數(shù)據(jù)擴(kuò)容模型的結(jié)構(gòu)與權(quán)重；

8、3)構(gòu)建故障特征擴(kuò)容數(shù)據(jù)集

9、采用滾動(dòng)軸承故障特征數(shù)據(jù)集與高斯隨機(jī)噪聲作為輸入，使用數(shù)據(jù)擴(kuò)容模型進(jìn)行數(shù)據(jù)擴(kuò)容，導(dǎo)入數(shù)據(jù)擴(kuò)容模型的權(quán)重，生成預(yù)設(shè)數(shù)量的新數(shù)據(jù)，完成滾動(dòng)軸承故障特征數(shù)據(jù)集擴(kuò)容，得到故障特征擴(kuò)容數(shù)據(jù)集；

10、4)構(gòu)建故障診斷模型

11、利用滾動(dòng)軸承故障特征數(shù)據(jù)集與故障特征擴(kuò)容數(shù)據(jù)集構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，卷積神經(jīng)網(wǎng)絡(luò)包含特征提取器和分類器，在特征提取器中加入殘差模塊，所述滾動(dòng)軸承故障特征數(shù)據(jù)集與故障特征擴(kuò)容數(shù)據(jù)集用于故障診斷模型訓(xùn)練，保存故障診斷模型最佳結(jié)構(gòu)與權(quán)重；

12、5)故障診斷

13、故障診斷模型進(jìn)行滾動(dòng)軸承故障診斷，對(duì)采集的待測(cè)數(shù)據(jù)按步驟1)生成灰度紋理圖像，全部作為測(cè)試集，導(dǎo)入故障診斷模型權(quán)重，完成小樣本下考慮損傷度和傳感器異常的滾動(dòng)軸承故障診斷。

14、進(jìn)一步地，所述步驟1)中構(gòu)建滾動(dòng)軸承故障特征數(shù)據(jù)集，具體包括：

15、1.1)采集滾動(dòng)軸承在不同故障類型、同一故障類型不同損傷度和振動(dòng)傳感器異常情況下的振動(dòng)信號(hào)，對(duì)振動(dòng)信號(hào)按指定層數(shù)進(jìn)行變分模態(tài)分解，并選擇特定分量重構(gòu)信號(hào)；

16、1.2)對(duì)滾動(dòng)軸承重構(gòu)信號(hào)按指定點(diǎn)數(shù)進(jìn)行分段拼接，組成特征矩陣；

17、1.3)對(duì)特征矩陣元素進(jìn)行0-255的標(biāo)準(zhǔn)化處理轉(zhuǎn)換為灰度圖像，特征矩陣元素值與灰度圖像像素值之間轉(zhuǎn)換關(guān)系為：

18、

19、式中：i，j表示特征矩陣或灰度圖像中的位置坐標(biāo)，ai,j為特征矩陣中位于(i，j)元素的值，max和min分別表示特征矩陣中最大值和最小值，gi,j為轉(zhuǎn)化后對(duì)應(yīng)位置的灰度值；

20、1.4)對(duì)轉(zhuǎn)換后的灰度圖像等比例縮放至256×256像素大??；

21、1.5)對(duì)等比例縮放后的灰度圖像進(jìn)行局部二值化處理生成灰度紋理圖像，以灰度圖像中3×3的像素區(qū)域大小依次計(jì)算，局部二值化的計(jì)算公式為：

22、

23、式中：ic代表中心點(diǎn)的像素值，ip代表中心點(diǎn)周圍某一點(diǎn)的像素值，p代表各周圍點(diǎn)的序號(hào)，從左上角順時(shí)針排列分別為0至7，(xc,yc)為中心點(diǎn)的坐標(biāo)，lbp(xc,yc)為經(jīng)lbp算子處理后的中心點(diǎn)lbp值，

24、1.6)對(duì)獲得的全部灰度紋理圖像根據(jù)不同軸承狀態(tài)進(jìn)行標(biāo)記，按預(yù)設(shè)比例劃分為訓(xùn)練集和測(cè)試集。

25、進(jìn)一步地，所述指定層數(shù)為6，所述特定分量為第2至5個(gè)分量。

26、進(jìn)一步地，所述指定點(diǎn)數(shù)根據(jù)采樣定理和滾動(dòng)軸承內(nèi)圈轉(zhuǎn)速設(shè)定，指定點(diǎn)數(shù)的每段信號(hào)至少包含一個(gè)周期信息。

27、進(jìn)一步地，所述預(yù)設(shè)比例為5:2。

28、進(jìn)一步地，所述步驟2)中構(gòu)建數(shù)據(jù)擴(kuò)容模型，具體包括：

29、2.1)構(gòu)建基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)擴(kuò)容模型，包含生成器和判別器，在生成器中加入最近鄰插值操作，在判別器中加入權(quán)重部分更新操作；

30、2.2)利用滾動(dòng)軸承故障特征數(shù)據(jù)集的訓(xùn)練集對(duì)數(shù)據(jù)擴(kuò)容模型進(jìn)行訓(xùn)練，通過(guò)最大均值差異作為評(píng)價(jià)指標(biāo)，當(dāng)最大均值差異小于0.5時(shí)，保存數(shù)據(jù)擴(kuò)容模型的結(jié)構(gòu)與權(quán)重，最大均值差異的計(jì)算公式為：

31、

32、式中：m是從滾動(dòng)軸承故障特征數(shù)據(jù)集的訓(xùn)練集中采集的樣本數(shù)量，n是從滾動(dòng)軸承故障特征擴(kuò)容數(shù)據(jù)集中采集的樣本數(shù)量，xi是從滾動(dòng)軸承故障特征數(shù)據(jù)集的訓(xùn)練集中采集的第i個(gè)樣本，yj是從滾動(dòng)軸承故障特征擴(kuò)容數(shù)據(jù)集中采集的第j個(gè)樣本，k(x,y)是核函數(shù)，||x-y||2是樣本x和y之間的歐氏距離的平方，σ是高斯核的帶寬。

33、進(jìn)一步地，所述步驟3)中所述預(yù)設(shè)數(shù)量與步驟1)中的訓(xùn)練集數(shù)量一致。

34、進(jìn)一步地，所述步驟4)中構(gòu)建故障診斷模型，具體包括：

35、4.1)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，包含特征提取器和分類器，在特征提取器中加入殘差模塊；

36、4.2)利用滾動(dòng)軸承故障特征數(shù)據(jù)集與故障特征擴(kuò)容數(shù)據(jù)集對(duì)故障診斷模型進(jìn)行訓(xùn)練，通過(guò)故障診斷模型在訓(xùn)練集上的表現(xiàn)更新故障診斷模型的超參數(shù)，通過(guò)故障診斷模型在測(cè)試集上的分類準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，分類準(zhǔn)確率計(jì)算公式為：

37、

38、式中：a表示測(cè)試集的分類準(zhǔn)確率，n表示測(cè)試集樣本中被正確分類的樣本數(shù)，m表示測(cè)試集樣本的總數(shù)；

39、4.3)在模型測(cè)試階段，將故障診斷模型結(jié)構(gòu)和權(quán)重導(dǎo)入，然后使用4.2)中的測(cè)試集樣本代入故障診斷模型，通過(guò)故障診斷模型在測(cè)試集上的分類準(zhǔn)確率檢驗(yàn)故障診斷模型在測(cè)試集數(shù)據(jù)上的表現(xiàn)，當(dāng)故障診斷模型在測(cè)試集上的分類準(zhǔn)確率大于等于90％時(shí)，保存故障診斷模型最佳結(jié)構(gòu)和權(quán)重。

40、進(jìn)一步地，所述步驟5)中故障診斷，具體為：

41、5.1)采集滾動(dòng)軸承的振動(dòng)信號(hào)；

42、5.2)使用步驟1)中的操作生成灰度紋理圖像，并將灰度紋理圖像全部作為測(cè)試集數(shù)據(jù)；

43、5.3)采用步驟4)中滾動(dòng)軸承故障特征數(shù)據(jù)集和故障特征擴(kuò)容數(shù)據(jù)集訓(xùn)練后的故障診斷模型，導(dǎo)入故障診斷模型權(quán)重，并輸入測(cè)試集數(shù)據(jù)，完成小樣本下考慮損傷度和傳感器異常的滾動(dòng)軸承的故障診斷。

44、考慮損傷度和傳感器異常的滾動(dòng)軸承擴(kuò)容診斷系統(tǒng)，包括：

45、滾動(dòng)軸承故障特征數(shù)據(jù)集構(gòu)建模塊：用于采集滾動(dòng)軸承在不同故障類型、同一故障類型不同損傷度和振動(dòng)傳感器異常情況下的振動(dòng)信號(hào)，按指定層數(shù)進(jìn)行變分模態(tài)分解并選擇特定分量重構(gòu)信號(hào)，對(duì)重構(gòu)信號(hào)按指定點(diǎn)數(shù)分段拼接為特征矩陣后依次進(jìn)行標(biāo)準(zhǔn)化、等比例縮放和局部二值化處理，生成振動(dòng)信號(hào)的灰度紋理圖像，將灰度紋理圖像打上標(biāo)簽后建立故障特征數(shù)據(jù)集，并劃分為訓(xùn)練集和測(cè)試集；

46、數(shù)據(jù)擴(kuò)容模型構(gòu)建模塊：用于利用滾動(dòng)軸承故障特征數(shù)據(jù)集構(gòu)建基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)擴(kuò)容模型，生成對(duì)抗網(wǎng)絡(luò)包含生成器和判別器，在生成器中加入最近鄰插值操作，在判別器中加入權(quán)重部分更新操作，所述訓(xùn)練集用于數(shù)據(jù)擴(kuò)容模型訓(xùn)練，再使用最大均值差異檢驗(yàn)數(shù)據(jù)擴(kuò)容模型的生成效果，保存數(shù)據(jù)擴(kuò)容模型的結(jié)構(gòu)與權(quán)重；

47、滾動(dòng)軸承故障特征擴(kuò)容數(shù)據(jù)集構(gòu)建模塊：用于基于數(shù)據(jù)擴(kuò)容模型，以滾動(dòng)軸承故障特征數(shù)據(jù)集與高斯隨機(jī)噪聲作為輸入，導(dǎo)入數(shù)據(jù)擴(kuò)容模型權(quán)重，生成預(yù)設(shè)數(shù)量數(shù)據(jù)，完成滾動(dòng)軸承故障特征數(shù)據(jù)集擴(kuò)容；

48、故障診斷模型構(gòu)建模塊：用于利用滾動(dòng)軸承故障特征數(shù)據(jù)集與故障特征擴(kuò)容數(shù)據(jù)集構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型，卷積神經(jīng)網(wǎng)絡(luò)包含特征提取器和分類器，在特征提取器中加入殘差模塊，所述滾動(dòng)軸承故障特征數(shù)據(jù)集與故障特征擴(kuò)容數(shù)據(jù)集用于故障診斷模型訓(xùn)練，保存故障診斷模型最佳結(jié)構(gòu)與權(quán)重；

49、故障診斷模塊：用于使用故障診斷模型進(jìn)行故障診斷，對(duì)滾動(dòng)軸承數(shù)據(jù)按滾動(dòng)軸承故障特征數(shù)據(jù)集構(gòu)建模塊生成灰度紋理圖像，全部作為測(cè)試集數(shù)據(jù)，導(dǎo)入故障診斷模型權(quán)重，完成小樣本下考慮損傷度和傳感器異常的滾動(dòng)軸承的故障診斷。

50、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

51、1)針對(duì)滾動(dòng)軸承工況復(fù)雜多變、噪聲水平高，其振動(dòng)信號(hào)特征提取困難的問(wèn)題，提出了以變分模態(tài)分解及局部二值化為主要操作的振動(dòng)信號(hào)灰度紋理圖像轉(zhuǎn)換方法。與常規(guī)振動(dòng)圖像轉(zhuǎn)換方法相比，該方法可獲得信噪比高且特征增強(qiáng)的灰度紋理圖像，有利于進(jìn)一步進(jìn)行特征提取。

52、2)為了解決深度學(xué)習(xí)模型訓(xùn)練時(shí)故障數(shù)據(jù)不足、數(shù)據(jù)價(jià)值密度低的問(wèn)題，設(shè)計(jì)了用于數(shù)據(jù)擴(kuò)容的基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)擴(kuò)容模型。使用滾動(dòng)軸承故障特征數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)容模型的訓(xùn)練和更新，以最大均值差異為指標(biāo)，評(píng)價(jià)數(shù)據(jù)擴(kuò)容模型擴(kuò)容效果，進(jìn)行滾動(dòng)軸承故障特征數(shù)據(jù)集擴(kuò)容。使用滾動(dòng)軸承故障特征數(shù)據(jù)集和滾動(dòng)軸承故障特征擴(kuò)容數(shù)據(jù)集進(jìn)行故障診斷模型訓(xùn)練和更新，以分類準(zhǔn)確率為指標(biāo)，評(píng)價(jià)模型診斷效果。本發(fā)明與常規(guī)故障診斷方法相比，在于小樣本下考慮損傷度和傳感器異常時(shí)故障診斷模型仍能有高的診斷準(zhǔn)確率，實(shí)用性強(qiáng)。