(19)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 202211472485.5 (22)申请日 2022.11.23 (71)申请人 南京航空航天大 学 地址 211106 江苏省南京市江宁区将军大 道29号 (72)发明人 林翠颖　陈嘉宇　姚博清　陆钦华　 葛红娟　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 13/045(2019.01) (54)发明名称 面向低品质数据的滚动轴承智能诊断方法、 装置 (57)摘要 本发明公开了一种面向低品质数据的滚动 轴承智能诊断方法、 装置， 所述方法包括： 对数据 进行数据增强处理， 得到训练数据和测试数据； 对训练数据应用互补集合经验模态分解进行 降 噪， 得到重构训练数据； 对训练数据进行基于短 时傅里叶变换的特征时频图转换， 对 特征值进行 增强， 得到时频图训练数据； 使用全序列卷积神 经网络， 对 标准化重构训练数据进行时间特征提 取， 对标准化时频图训练数据进行图像特征提 取， 进行特征融合， 之后分类输出完成训练； 将测 试数据， 输入全序列卷积神经网络， 根据输出结 果进行滚动轴承智 能诊断。 在实际工业生产中， 采集的信号的信噪比较低， 因此采用上述技术方 案， 可以在样本不足条件下实现滚动轴承多故障 模式的诊断。 权利要求书2页 说明书10页 附图4页 CN 115512170 A 2022.12.23 CN 115512170 A 1.一种面向低品质数据的滚动轴承智能诊断方法， 其特 征在于， 包括： 基于两个数据来源进行数据采集， 对采集的数据进行数据增强处理， 分别得到多段训 练数据和多段测试 数据； 所述数据为振动信号； 对训练数据和测试数据分别应用互补集合经验模态分解算法进行降噪， 得到重构训练 数据和重构测试数据； 对训练数据和测试数据分别进 行基于短时傅里叶变换的特征时频图 转换， 对特 征值进行增强， 得到时频图训练数据和时频图测试 数据； 对重构训练数据和时频图训练数据进行标准化， 得到标准化重构训练数据和标准化 时 频图训练数据； 建立包括一维卷积神经网络、 二维卷积神经网络和级联层的全序列卷积神经网络， 使 用一维卷积神经网络， 对标准化重构训练数据进 行时间特征提取， 使用二 维卷积神经网络， 对标准化时频图训练数据进行图像特征提取， 使用 级联层对时间特征和图像特征进行融 合， 之后进行分类输出， 完成训练； 将重构测试数据和时频图测试数据输入训练完成的全序列卷积神经网络， 根据输出结 果进行滚动轴承智能诊断。 2.根据权利要求1所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 对采集的数据进行 数据增强处 理， 包括： 在采集数据的过程中， 相邻的数据段之间具有部分重 叠， 按照如下公式进行采样： z = （D‑d） /Δx+1， 其中，D表示原始数据总长度， d表示每段原始数据长度， Δ x表示采集偏移量， z表示采 集的数据段 数量。 3.根据权利要求1所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 对训练数据和 测试数据分别应用互补集 合经验模态分解 算法进行降噪， 包括： 将振幅相同、 方向相反的多对白噪声添加至原 始振动信号中， 得到修 正振动信号； 对修正振动信号进行 经验模态分解， 得到相应的信号分量； 计算信号分量与原始振动信号之间的皮尔逊相关系数， 皮尔逊相关系数处于相关度 范 围内的信号分量， 进行总体叠加计算的重构。 4.根据权利要求1所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 对重构训练数据和时频图训练数据进行 标准化， 包括： 按照以下公式对重构训练数据进行 标准化： xi*=（xi‑μ）/σ， 其中，xi*表示第i段标准化重构训练数据， xi表示第i段重构训练数据， μ表示所有训练 数据的平均值， σ表示所有训练数据的标准差； 按照以下公式对时频图训练数据进行 标准化： xs*= xs/a， 其中，xs*表示标准 化时频图训练数据， xs表示时频图训练数据， a为常数。 5.根据权利要求4所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 使用一维卷积神经网络， 对标准化重构训练数据进行时间特征提取， 使用二维卷积神经网 络， 对标准 化时频图训练数据进行图像特 征提取， 包括： 对在卷积神经网络的网络层 之间传递的数据进行批标准化处理， 处理得到均值为0、 方权　利　要　求　书 1/2 页 2 CN 115512170 A 2差为1的正态分布的网络层输入数据。 6.根据权利要求5所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 对在卷积神经网络的网络层之间传递的数据进行批标准 化处理， 包括： 对于网络层输入数据进行缩放调整， 以维持输入数据的特征表征内容， 缩放调整公式 如下： y（k）= γ（k）x~（k）+β（k）， 其中，y（k）表示批标准化处理后得到的 k维度网络层输入数据， x~（k）表示对网络层输入数 据归一化后的数据， γ（k）和β（k）表示k维度网络层应用的参数， x（k）表示k维度网络层输入数 据，γ（k）= （Var（x（k）） ）1/2, β（k）=E（x（k）） ，Var（x（k）） 表示x（k）的方差，E（x（k）） 表示x（k）的期望值。 7.根据权利要求1所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 使用级联层对时间特 征和图像特 征进行融合， 之前包括： 将二维卷积神经网络提取的图像特 征展平至一维。 8.根据权利要求7所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 使用级联层对时间特 征和图像特 征进行融合， 包括： 采用如下公式进行 特征融合： FiT= Concatenati on（pi， qi）=（s11,……,snn, f11,……,fnn）， 其中，FiT表示第i段融合特征， pi表示第i段时间特征， s11,……,snn表示第i段时间特征 的单一特 征值，qi表示第i段图像特 征，f11,……,fnn表示第i段图像特 征的单一特 征值。 9.根据权利要求8所述的面向低品质数据的滚动轴 承智能诊断方法， 其特征在于， 所述 之后进行分类输出， 包括： 将融合特 征输入全连接层， 再进行分类得到滚动轴承的诊断结果。 10.一种面向低品质数据的滚动轴 承智能诊断装置， 其特征在于， 包括： 数据采集单元、 重构转换 单元、 标准化单元、 特征提取单元和诊断单 元， 其中： 所述数据采集单元， 用于基于两个数据来源进行数据采集， 对采集的数据进行数据增 强处理， 分别得到多段训练数据和多段测试 数据； 所述数据为振动信号； 所述重构转换单元， 用于对训练数据和测试数据分别应用互补集合经验模态分解算法 进行降噪， 得到重构训练数据和重构测试数据； 对训练数据和测试数据分别进行基于短时 傅里叶变换 的特征时频图转换， 对特征值进行增强， 得到时频图训练数据和时频图测试数 据； 所述标准化单元， 用于对重构训练数据和时频图训练数据进行标准化， 得到标准化重 构训练数据和标准 化时频图训练数据； 所述特征提取单元， 用于建立包括一维卷积神经网络、 二维卷积神经网络和级联层的 全序列卷积神经网络， 使用一 维卷积神经网络， 对标准化重构训练数据进 行时间特征提取， 使用二维卷积神经网络， 对标准化时频图训练数据进行图像特征提取， 使用级联层对时间 特征和图像特 征进行融合， 之后进行分类输出， 完成训练； 所述诊断单元， 用于将重构测试数据和时频图测试数据输入训练完成的全序列卷积神 经网络， 根据输出 结果进行滚动轴承智能诊断。权　利　要　求　书 2/2 页 3 CN 115512170 A 3