一种滚动轴承故障诊断方法与流程

本发明属于故障预测与健康管理领域，具体涉及一种滚动轴承故障诊断方法。

背景技术：

滚动轴承是应用非常广泛的机械通用零部件，主要功能为对轴进行支撑，滚动轴承保持良好的工作状况，对机械设备的安全运行非常重要。因此，对滚动轴承的故障类型和故障严重程度进行准确的诊断，是保证机械正常运行的基础。

现有的滚动轴承故障诊断方法多采用卷积神经网络模型进行诊断，需要对滚动轴承的不同故障类型分别建立诊断模型，实际应用中需要先判断故障类型，再根据故障类型选择对应的模型来诊断故障严重程度，操作复杂，运算量大，效率较低，从而影响机械设备的故障诊断效率。

技术实现要素：

本发明的目的在于提供一种能够高效准确的对滚动轴承的故障类型和故障严重程度同时进行诊断的一种滚动轴承故障诊断方法。

本发明的一种滚动轴承故障诊断方法，通过训练多任务卷积神经网络模型，用滚动轴承的振动信号对滚动轴承故障类型和故障严重程度进行诊断，包括以下步骤：

s1.取10个同样型号的滚动轴承，其中1个轴承无故障，另外9个轴承分别用电火花加工技术设置一种故障，9种故障分别为：外圈轻微故障、中度故障、严重故障，内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障；

s2.在实验台上，对每个轴承都在同一转速下用振动传感器采集其振动信号；

s3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签；

s4.建立多任务卷积神经网络模型，其输入为轴承的振动信号，输出为故障标签，用步骤s2中得到的振动信号对多任务卷积神经网络模型进行训练；

s5.在步骤s2中的实验台和转速下，采集待诊断滚动轴承的振动信号；

s6.将步骤s5中测量得到的振动信号输入步骤s4训练后的多任务卷积神经网络模型中，获得待诊断滚动轴承的故障标签；

s7.将步骤s6获得的故障标签解读为待诊断轴承的故障类型和严重程度。

本发明的有益效果如下：

本发明对轴承的3种故障类型分别建立3种故障严重程度，利用滚动轴承的振动信号对建立的多任务卷积神经网络模型进行训练，用训练后的模型来诊断滚动轴承的故障类型和故障严重程度。多任务卷积神经网络模型能够同时对滚动轴承的故障类型和故障严重程度进行诊断，可以有效提高模型的训练和诊断效率，从而提高对滚动轴承故障诊断的准确性和诊断效率，有效保障机械的正常运转。

下面结合附图对本发明的一种滚动轴承故障诊断方法作进一步详细说明。

附图说明

图1为本发明实施方法的示意图；

图2为故障标签示意图。

具体实施方式

参见图1，根据本发明的滚动轴承故障诊断方法包括步骤：

s1.取10个同样型号的滚动轴承，其中1个轴承无故障，另外9个轴承分别用电火花加工技术设置一种故障，9种故障分别为：外圈轻微故障、中度故障、严重故障，内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障；

s2.在实验台上，对10个轴承都在同一转速下用振动传感器采集其振动信号；

s3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签；

s4.建立多任务卷积神经网络模型，其输入为轴承的振动信号，输出为故障标签，用步骤s2中得到的振动信号对多任务卷积神经网络模型进行训练；

s5.在步骤s2中的实验台和转速下，采集待诊断滚动轴承的振动信号；

s6.将步骤s5中测量得到的振动信号输入步骤s4训练后的多任务卷积神经网络模型中，获得待诊断滚动轴承的故障标签；

s7.将步骤s6获得的故障标签解读为待诊断轴承的故障类型和严重程度。

本发明建立滚动轴承故障标签，利用滚动轴承的振动信号对建立的多任务卷积神经网络模型进行训练，用训练后的模型来诊断滚动轴承的故障类型和故障严重程度。多任务卷积神经网络模型可以有效提高模型的训练效率和诊断效率。

在一实施例中，步骤s1所述故障严重程度根据划痕的直径来确定：无划痕为无故障；0<划痕直径<0.15mm为轻微故障；0.15≤划痕直径<0.3mm为中度故障；划痕直径≥0.3mm为严重故障。

在一实施例中，参见图2，步骤s3中的故障标签为长度为8位的向量，每一位的取值为0或1，取1表示“是”，取0表示“否”。标签的前4位表示故障类型，分别为无故障、外圈故障、内圈故障和滚珠故障；标签的后4位表示故障严重程度，分别为无故障、轻微故障、中度故障和严重故障。

在一实施例中，步骤s4中所述多任务卷积神经网络模型，通过共享卷积网络层，增加sigmoid多标签分类层。sigmoid多标签分类层共分为8类，每一类与步骤s3中所述故障标签一一对应。

最后补充如下：

卷积神经网络是深度学习中常用的一种模型。它由输入层、多个卷积层和池化层、全连接层、分类层、输出层等组成，其中分类层对几种故障类型进行分类，得到的是判断为某一种故障的概率。在本文中，在卷积神经网络的分类层运用sigmoid多标签分类层，设置多个标签来分别表示故障类型和故障严重程度，从而实现一个模型对故障类型和故障严重程度的同时诊断，提高模型训练和诊断效率。

技术特征：

1.一种滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤：

s1.取10个同样型号的滚动轴承，其中1个轴承无故障，另外9个轴承分别用电火花加工技术设置一种故障，9种故障分别为：外圈轻微故障、中度故障、严重故障，内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障；

s2.在实验台上，对每个轴承都在同一转速下用振动传感器采集其振动信号；

s3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签；

s4.建立多任务卷积神经网络模型，其输入为轴承的振动信号，输出为故障标签，用步骤s2中得到的振动信号对多任务卷积神经网络模型进行训练；

s5.在步骤s2中的实验台和转速下，采集待诊断滚动轴承的振动信号；

s6.将步骤s5中测量得到的振动信号输入步骤s4训练后的多任务卷积神经网络模型中，获得待诊断滚动轴承的故障标签；

s7.将步骤s6获得的故障标签解读为待诊断轴承的故障类型和严重程度。

2.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：步骤s1所述故障严重程度根据划痕的直径来确定：无划痕为无故障；0<划痕直径<0.15mm为轻微故障；0.15≤划痕直径<0.3mm为中度故障；划痕直径≥0.3mm为严重故障。

3.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：步骤s3中的故障标签为长度为8位的向量，每一位的取值为0或1，取1表示“是”，取0表示“否”。标签的前4位表示故障类型，分别为无故障、外圈故障、内圈故障和滚珠故障；标签的后4位表示故障严重程度，分别为无故障、轻微故障、中度故障和严重故障。

4.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：步骤s4中所述多任务卷积神经网络模型，通过共享卷积网络层，增加sigmoid多标签分类层，sigmoid多标签分类层共分为8类，每一类与步骤s3中所述故障标签一一对应。

技术总结
一种滚动轴承故障诊断方法，通过训练多任务卷积神经网络模型，用滚动轴承的振动信号对滚动轴承的故障类型和故障严重程度进行诊断，包括以下步骤：S1，测量9个分别包含一种故障类型和严重程度的滚动轴承和1个无故障的滚动轴承的振动信号；S2，对每个振动信号打上8位的故障标签；S3，建立多任务卷积神经网络模型，用S1和S2中的数据对模型进行训练；S4，测量待诊断滚动轴承的振动信号，输入多任务卷积神经网络模型，获得待诊断轴承的故障标签；S5，将获得的故障标签转换为故障类型和故障严重程度。其目的在于提供一种简单高效的对滚动轴承故障类型和故障严重程度同时进行诊断的滚动轴承故障诊断方法。

技术研发人员：冯辅周;吴春志;万安;张丽霞;江鹏程;刘锋;何嘉武;胡雪松;杜家兴;卢同心;朴相范;吴守军;姬龙鑫;王子涵;田钦文
受保护的技术使用者：中国人民解放军陆军装甲兵学院
技术研发日：2020.05.26
技术公布日：2020.08.28