一种滚动轴承故障检测方法及装置

1.本发明涉及故障检测技术领域，尤其涉及一种滚动轴承故障检测方法及装置。


背景技术：

2.滚动轴承是现代机械中的关键部件，其故障检测和诊断具有重要意义。目前，国内外学者对滚动轴承故障检测技术进行了大量研究。机械振动信号是一种典型的非线性信号。分形理论在处理瞬态、非线性和非平稳信号方面具有独特的优势。基于分形理论研究具有强非线性的瞬态过程中的短期信号，以诊断机械设备的损伤是解决实际问题的新趋势。近年来，分形理论被用于描述机械故障信号复杂的非线性动态行为。振动信号的相关维数被用于滚动轴承故障诊断。然后，容量维和分形维数在故障诊断中的应用。滚动轴承外圈损伤对多重分形谱宽度的影响在文献中很常见。去趋势波动分析mfdfa是一种常用的多重分形分析算法。该方法常用于滚动轴承和齿轮的损伤诊断。采用mfdfa算法对摩擦振动进行分析，其中采用集成经验模态分解eemd对信号进行去噪。提出了自适应mfdfa算法。mfdfa算法的缺点是对分析参数敏感。


技术实现要素：

3.有鉴于此，本发明的目的在于提出一种滚动轴承故障检测方法及装置，以解决mfdfa算法对分析参数敏感的技术问题。
4.一种滚动轴承故障检测方法，包括：
5.步骤s1，获取振动信号，得到滚动轴承数据集，分析轴承的故障位置和故障程度；
6.步骤s2，获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱；
7.步骤s3，利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为振动信号频谱的多重分形谱特征；
8.步骤s4，划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为特征数据集，特征数据集是一个大小为i
×
p
×
1的多维数组，其中i为样本个数，p表示特征数，将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，n；
9.步骤s5，构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据训练集训练优化神经网络模型；
10.步骤s6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；
11.步骤s7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。
12.作为本技术的进一步改进，所述获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱，包括：
13.将每组获得的振动信号频谱数据x(t)进行fft变换，计算公式如下：
[0014][0015]
其中，x(w)为ecg信号的连续频谱，x(t)为原始时间序列，e为自然对数，j是虚数单位，w为频率；
[0016]
将零频分量移到频谱中心，对频谱进行归一化，以获得其归一化多普勒频谱。
[0017]
作为本技术的进一步改进，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：
[0018]
首先计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q-阶熵f
α(q)
(l(j,k)q)和线性回归斜率f
f(α(q))
(l(j,k)q)。
[0019]
作为本技术的进一步改进，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：
[0020]
步骤s31，通过离散小波变换(dwt)计算出信号多普勒频谱x＝{xi,i＝1,2,3,...,n}的小波变换系数d
x
(j,k)，其中j和k分别是缩放(扩张)指数和移动(平移)指数；
[0021]
步骤s32，计算小波领袖l
x
(j,k)；将二元区间定义为:λ
j,k
＝[k2j,(k+1)2j)，同时，该区间3λ与其相邻的λ和2个二元区间3λ
j,k
＝λ
j,k-1
∪λ
j,k
∪λ
j,k+1.
的联合，定义小波领袖为：
[0022][0023]
这个定义表示小波领袖l
x
(j,k)由在一个狭窄的时间邻域(k-1)
·2j
′
≤2j′k′
《(k+2)
·2j
内所有更细的尺度2j′
≤2j上计算出的最大的小波系数|d
x
(j
′
,k
′
)|组成；
[0024]
步骤s33，计算小波领袖的结构函数s
l
(j,q)，对于固定的分析尺度s＝2j，形成时间(空间)的平均数(q-阶)，称为结构函数：
[0025][0026]
其中，nj是第j层小波系数分解的系数的个数；
[0027]
若小波领袖结构函数s
l
(j,q)在小尺度的极限中拥有相对于尺度的幂律行为s＝2j→
0，那么：
[0028][0029]
其中ζ
l
(q)通常被称为质量指数；
[0030]
步骤s34，将结构函数s
l
(j,q)进行归一化由此得到质量函数ζ
l
(q)：
[0031][0032][0033]
通过legendre变换得到奇异性强度函数α(q)和多重分形频谱f(α)：
[0034]
α(q)＝dζ
l
(q)/dq
[0035]
[0036]
步骤s35，采用改进的熵分析矩阵计算方法得出q-阶熵f
α(q)
(l(j,k)q)和线性回归斜率f
f(α(q))
(l(j,k)q)：
[0037][0038][0039]
作为本技术的进一步改进，所述
[0040]
将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为数据集，包括：
[0041]
所述特征数据集为700
×4×
1，表示总样本数为700，每个样本的特征宽度为4
×
1；按照8:2将数据集分成训练集和测试集，标注确定每个样本的具体类别。
[0042]
作为本技术的进一步改进，所述构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型，包括：
[0043]
步骤s51，构建卷积神经网络作为故障检测模型，所述卷积神经网络包括输入层、卷积层、池化层和全连接层，构建的卷积神经网络共5层，共有4个卷积层，每一个卷积层后进行批标准化处理，每个卷积层之后均连接最大池化层，最后一层为全连接层；使用adam优化器优化整个网络模型，并且利用binary cross-entropy作为网络模型的损失函数，降低其随机性，以提高模型的稳定性；
[0044]
步骤s52，训练优化神经网络模型，通过训练集对卷积神经网络进行训练，调节卷积神经网路的超参数，以提高网络的学习性能和效果，超参数包括学习率、批次大小、卷积核尺寸、激活函数、优化函数以及损失函数，完成网络训练。
[0045]
作为本技术的进一步改进，所述将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测，包括：
[0046]
将训练集寻优得到最好的神经网络模型给出分类结果，使用准确度acc、精确度ppv、灵敏度sen和特异度spe评估实验结果，公式如下：
[0047][0048][0049][0050][0051]
其中，tp表示将正类样本预测为正类的频次，tn表示将负类样本预测为负类的频次，fp表示将负类样本预测为正类的频次，fn表示将正类样本预测为负类的频次。
[0052]
一种滚动轴承故障检测装置，所述检测装置包括：
[0053]
分析模块，用于获取振动信号，得到滚动轴承数据集，分析轴承的故障位置和故障
程度；
[0054]
变换模块，用于获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱；
[0055]
提取模块，用于利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为振动信号频谱的多重分形谱特征；
[0056]
划分模块，用于划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为特征数据集，特征数据集是一个大小为i
×
p
×
1的多维数组，其中i为样本个数，p表示特征数，按照经验将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，n；
[0057]
构建模块，用于构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型；
[0058]
寻优检测模块，用于将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；
[0059]
实际检测模块，用于将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。
[0060]
作为本技术的进一步改进，所述提取模块还包括计算单元，首先用于计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q-阶熵f
α(q)
(l(j,k)q)和线性回归斜率f
f(α(q))
(l(j,k)q)。
[0061]
本发明的有益效果：本发明提供了一种滚动轴承故障检测方法，采用小波领袖算法对滚动轴承的损伤进行分析，对分析参数敏感的缺点完全避免，并且通过对小波领袖方法进行改进，并结合机器学习分类器对轴承故障进行检测，提高了滚动轴承故障的检测率和滚动轴承的运行时间。
附图说明
[0062]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1为本发明实施例一种滚动轴承故障检测方法的流程图；
[0064]
图2为本发明实施例卷积神经网络的结构图。
具体实施方式
[0065]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
[0066]
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以
及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0067]
一种滚动轴承故障检测方法，包括：
[0068]
步骤s1，获取振动信号，得到滚动轴承数据集。
[0069]
步骤s2，获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱，包括：
[0070]
将每组获得的振动信号频谱数据x(t)进行fft变换，计算公式如下：
[0071][0072]
其中，x(w)为ecg信号的连续频谱，x(t)为原始时间序列，e为自然对数，j是虚数单位，w为频率；
[0073]
将零频分量移到频谱中心，对频谱进行归一化，以获得其归一化多普勒频谱。
[0074]
步骤s3，利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为振动信号频谱的多重分形谱特征，包括：
[0075]
首先计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q-阶熵f
α(q)
(l(j,k)q)和线性回归斜率f
f(α(q))
(l(j,k)q)。
[0076]
具体包括：
[0077]
步骤s31，通过离散小波变换(dwt)计算出信号多普勒频谱x＝{x
i,
i＝1,2,3,...,n}的小波变换系数d
x
(j,k)，其中j和k分别是缩放(扩张)指数和移动(平移)指数；
[0078]
步骤s32，计算小波领袖l
x
(j,k)；将二元区间定义为:λ
j,k
＝[k2j,(k+1)2j)，同时，该区间3λ与其相邻的λ和2个二元区间3λ
j,k
＝λ
j,k-1
∪λ
j,k
∪λ
j,k+1.
的联合，定义小波领袖为：
[0079][0080]
这个定义表示小波领袖l
x
(j,k)由在一个狭窄的时间邻域(k-1)
·2j
′
≤2j′k′
《(k+2)
·2j
内所有更细的尺度2j′
≤2j上计算出的最大的小波系数|d
x
(j
′
,k
′
)|组成；
[0081]
步骤s33，计算小波领袖的结构函数s
l
(j,q)，对于固定的分析尺度s＝2j，形成时间(空间)的平均数(q-阶)，称为结构函数：
[0082][0083]
其中，nj是第j层小波系数分解的系数的个数；
[0084]
若小波领袖结构函数s
l
(j,q)在小尺度的极限中拥有相对于尺度的幂律行为s＝2j→
0，那么：
[0085][0086]
其中ζ
l
(q)通常被称为质量指数；
[0087]
步骤s34，将结构函数s
l
(j,q)进行归一化由此得到质量函数ζ
l
(q)：
[0088][0089][0090]
通过legendre变换得到奇异性强度函数α(q)和多重分形频谱f(α)：
[0091]
α(q)＝dζ
l
(q)/dq
[0092][0093]
步骤s35，采用改进的熵分析矩阵计算方法得出q-阶熵f
α(q)
(l(j,k)q)和线性回归斜率f
f(α(q))
(l(j,k)q)：
[0094][0095][0096]
根据多重分形谱计算公式f(α)得出时间序列的多重分形谱，对于多重分形谱的左端点，用奇异指数α
min
表示该点对应的横轴，α0是多重分形谱顶端点的奇异指数，对应的是时间序列的最可能的概率子集；右侧端点为α
max
，反映了信号的小波动程度；频谱宽度δα＝α
max-α
min
反映了信号波动的不均匀程度。
[0097]
步骤s4，划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为特征数据集，特征数据集是一个大小为i
×
p
×
1的多维数组，其中i为样本个数，p表示特征数，按照经验将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，n；
[0098]
具体的，所述特征数据集为700
×4×
1，表示总样本数为700，每个样本的特征宽度为4
×
1；按照8:2将数据集分成训练集和测试集，标注确定每个样本的具体类别。
[0099]
步骤s5，构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型，所述构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型，包括：
[0100]
步骤s51，构建卷积神经网络作为故障检测模型，所述卷积神经网络包括输入层、卷积层、池化层和全连接层，构建的卷积神经网络共5层，共有4个卷积层，每一个卷积层后进行批标准化处理，起到网络收敛以及提高正确率的作用。每个卷积层之后均连接最大池化层，最后一层为全连接层；使用adam优化器优化整个网络模型，并且利用binary cross-entropy作为网络模型的损失函数，降低其随机性，以提高模型的稳定性；
[0101]
卷积神经网络的框架如下表：
[0102][0103]
卷积神经网络超参数设置入下表：
[0104]
名称取值学习率0.0001批次大小30卷积核大小3
×
3,2
×
2激活函数relu
[0105]
步骤s52，训练优化神经网络模型，通过训练集对卷积神经网络进行训练，调节卷积神经网路的超参数，以提高网络的学习性能和效果，超参数包括学习率、批次大小、卷积核尺寸、激活函数、优化函数以及损失函数，完成网络训练。
[0106]
步骤s6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测，包括：
[0107]
将训练集寻优得到最好的神经网络模型给出分类结果，使用准确度acc、精确度ppv、灵敏度sen和特异度spe评估实验结果，公式如下：
[0108][0109][0110][0111][0112]
其中，tp表示将正类样本预测为正类的频次，tn表示将负类样本预测为负类的频次，fp表示将负类样本预测为正类的频次，fn表示将正类样本预测为负类的频次。
[0113]
步骤s7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。
[0114]
一种滚动轴承故障检测装置，所述检测装置包括：
[0115]
分析模块，用于获取振动信号，得到滚动轴承数据集，分析轴承的故障位置和故障程度。
[0116]
变换模块，用于获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱。
[0117]
提取模块，用于利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为振动信号频谱的多重分形谱特征；所述提取模块还包括计算单元，首先用于计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q-阶熵f
α(q)
(l(j,k)q)和线性回归斜率f
f(α(q))
(l(j,k)q)。
[0118]
划分模块，用于划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为特征数据集，特征数据集是一个大小为i
×
p
×
1的多维数组，其中i为样本个数，p表示特征数，按照经验将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，n。
[0119]
构建模块，用于构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型。
[0120]
寻优检测模块，用于将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测。
[0121]
实际检测模块，用于将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。
[0122]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0123]
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种滚动轴承故障检测方法，其特征在于，包括：步骤s1，获取振动信号，得到滚动轴承数据集；步骤s2，获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱；步骤s3，利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为振动信号频谱的多重分形谱特征；步骤s4，划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为特征数据集，特征数据集是一个大小为i
×
p
×
1的多维数组，其中i为样本个数，p表示特征数，将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，n；步骤s5，构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据训练集训练优化神经网络模型；步骤s6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；步骤s7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。2.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱，包括：将每组获得的振动信号频谱数据x(t)进行fft变换，计算公式如下：其中，x(w)为ecg信号的连续频谱，x(t)为原始时间序列，e为自然对数，j是虚数单位，w为频率；将零频分量移到频谱中心，对频谱进行归一化，以获得其归一化多普勒频谱。3.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：首先计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q-阶熵f
α(q)
(l(j,k)
q
)和线性回归斜率f
f(α(q))
(l(j,k)
q
)。4.根据权利要求3所述的滚动轴承故障检测方法，其特征在于，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：步骤s31，通过离散小波变换计算出信号多普勒频谱x＝{x
i
,i＝1,2,3,...,n}的小波变换系数d
x
(j,k)，其中j和k分别是缩放/扩张指数和移动/平移指数；步骤s32，计算小波领袖l
x
(j,k)；将二元区间定义为:λ
j,k
＝[k2
j
,(k+1)2
j
)，同时，该区间3λ与其相邻的λ和2个二元区间3λ
j,k
＝λ
j,k-1
∪λ
j,k
∪λ
j,k+1.
的联合，定义小波领袖为：表示小波领袖l
x
(j,k)由在一个狭窄的时间邻域(k-1)
·2j
′
≤2
j
′
k
′
<(k+2)
·2j
内所有更细的尺度2
j
′
≤2
j
上计算出的最大的小波系数|d
x
(j
′
,k
′
)|组成；
步骤s33，计算小波领袖的结构函数s
l
(j,q)，对于固定的分析尺度s＝2
j
，形成时间(空间)的平均数(q-阶)，称为结构函数：其中，n
j
是第j层小波系数分解的系数的个数；若小波领袖结构函数s
l
(j,q)在小尺度的极限中拥有相对于尺度的幂律行为s＝2
j
→
0，那么：其中ζ
l
(q)通常被称为质量指数；步骤s34，将结构函数s
l
(j,q)进行归一化由此得到质量函数ζ
l
(q)：(q)：通过legendre变换得到奇异性强度函数α(q)和多重分形频谱f(α)：α(q)＝dζ
l
(q)/dq步骤s35，采用改进的熵分析矩阵计算方法得出q-阶熵f
α(q)
(l(j,k)
q
)和线性回归斜率f
f(α(q))
(l(j,k)
q
)：)：5.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为数据集，包括：所述特征数据集为700
×4×
1，表示总样本数为700，每个样本的特征宽度为4
×
1；按照8:2将数据集分成训练集和测试集，标注确定每个样本的具体类别。6.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型，包括：步骤s51，构建卷积神经网络作为故障检测模型，所述卷积神经网络包括输入层、卷积层、池化层和全连接层，构建的卷积神经网络共5层，共有4个卷积层，每一个卷积层后进行批标准化处理，每个卷积层之后均连接最大池化层，最后一层为全连接层；使用adam优化器
优化整个网络模型，并且利用binary cross-entropy作为网络模型的损失函数；步骤s52，训练优化神经网络模型，通过训练集对卷积神经网络进行训练，调节卷积神经网路的超参数，以提高网络的学习性能和效果，超参数包括学习率、批次大小、卷积核尺寸、激活函数、优化函数以及损失函数，完成网络训练。7.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测，包括：将训练集寻优得到最好的神经网络模型给出分类结果，使用准确度acc、精确度ppv、灵敏度sen和特异度spe评估实验结果，公式如下：敏度sen和特异度spe评估实验结果，公式如下：敏度sen和特异度spe评估实验结果，公式如下：敏度sen和特异度spe评估实验结果，公式如下：其中，tp表示将正类样本预测为正类的频次，tn表示将负类样本预测为负类的频次，fp表示将负类样本预测为正类的频次，fn表示将正类样本预测为负类的频次。8.一种滚动轴承故障检测装置，其特征在于，所述检测装置包括：分析模块，用于获取振动信号，得到滚动轴承数据集，分析轴承的故障位置和故障程度；变换模块，用于获得振动信号频谱，对振动信号快速傅里叶变换fft，获得振动信号的归一化多普勒频谱；提取模块，用于利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为振动信号频谱的多重分形谱特征；划分模块，用于划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q-阶熵和回归斜率作为特征数据集，特征数据集是一个大小为i
×
p
×
1的多维数组，其中i为样本个数，p表示特征数，按照经验将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，n；构建模块，用于构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据数据训练集训练优化神经网络模型；寻优检测模块，用于将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测。9.根据权利要求8所述的滚动轴承故障检测装置，其特征在于，所述提取模块还包括计算单元，首先用于计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q-阶熵f
α(q)
(l(j,k)
q
)和线性回归斜率f
f(α(q))
(l(j,k)
q
)。

技术总结
本发明涉及故障检测技术领域，具体涉及一种滚动轴承故障检测方法，为解决MFDFA算法对分析参数敏感的技术问题。一种滚动轴承故障检测方法，包括：步骤S1，获取振动信号，得到滚动轴承数据集，步骤S2，获得振动信号频谱，对振动信号快速傅里叶变换，获得振动信号的归一化多普勒频谱；步骤S3，提取振动信号频谱的多重分形谱特征；获得特征数据集，将数据集分成训练集、测试集和验证集；步骤S5，构建卷积神经网络作为故障检测模型，训练优化神经网络模型；步骤S6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；步骤S7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。动轴承是否故障。动轴承是否故障。


技术研发人员：盖志强 晋春 李垣江 王敏 张正言 邓小乔 张佳 周稳兰
受保护的技术使用者：江苏科技大学
技术研发日：2023.05.30
技术公布日：2023/8/31