轴承智能故障诊断模型建立方法及系统

技术特征：
1.一种轴承智能故障诊断模型建立方法，其特征在于，所述轴承智能故障诊断模型建立方法包括，步骤s1，获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；其中，截断位置x为，x＝trr
×
(tl-sl so) ter
×
(sl-so)trr为训练集的比例，ter为测试集的比例，tl是轴承振动原始信号数据总采样点数，sl为单个样本的采样点数，so为采样偏移量；步骤s2，按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；其中，训练集中的样本数trn为，测试集中的样本数ten为，步骤s3，将训练集与测试集中的所有样本进行灰度化处理；步骤s4，构建轴承智能故障诊断的神经网络模型，将步骤s3处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；步骤s5，将步骤s3处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；步骤s6，将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。2.根据权利要求1所述的轴承智能故障诊断模型建立方法，其特征在于，轴承智能故障诊断的神经网络模型包括convnext模型。3.根据权利要求1-2任意一项所述的轴承智能故障诊断模型建立方法，其特征在于，轴承振动原始信号数据至少包括轴承正常、内圈故障、外圈故障的振动数据。4.根据权利要求3所述的轴承智能故障诊断模型建立方法，其特征在于，轴承振动原始信号数据包括轴承内圈与外圈在轻度故障、中度故障以及重度故障严重程度下的振动数据。5.一种轴承智能故障诊断方法，其特征在于，包括，采集轴承振动信号数据，输入如权利要求1-4任意一项所述的轴承智能故障诊断模型建立方法建立的轴承智能故障诊断模型，输出当前轴承的故障类型及故障的严重程度。6.一种用于执行如权利要求1-4中任意一项所述轴承智能故障诊断模型建立方法的系统，其特征在于，所述系统包括，获取单元，用于获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；其中，截断位置x为，x＝trr
×
(tl-sl so) ter
×
(sl-so)trr为训练集的比例，ter为测试集的比例，tl是轴承振动原始信号数据总采样点数，sl
为单个样本的采样点数，so为采样偏移量；预处理单元，用于按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；其中，训练集中的样本数trn为，测试集中的样本数ten为，灰度化处理单元，用于将训练集与测试集中的所有样本进行灰度化处理；训练单元，用于构建轴承智能故障诊断的神经网络模型，将所述灰度化处理单元处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；对比单元，用于将灰度化处理单元处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；输出单元，用于将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。7.根据权利要求6所述的系统，其特征在于，所述获取单元还包括数据采集系统，数据采集系统包括至少一个压电式加速度传感器、轴承基座、轴承，所述压电式加速度传感器固定安装至所述轴承基座上，所述轴承基座内设置有所述轴承，所述轴承与电机输出轴固定连接。8.根据权利要求6-7任意一项所述的系统，其特征在于，所述获取单元至少包括显示装置，用于显示轴承正常、内圈故障、外圈故障的振动数据；轴承内圈与外圈在轻度故障、中度故障以及重度故障严重程度下的振动数据。9.一种电子设备，其特征在于，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现如权利要求1-4任意一项所述的轴承智能故障诊断模型建立方法。10.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请权利要求1-4中任意一项权利要求所述的轴承智能故障诊断模型建立方法。

技术总结
本发明涉及智能诊断技术领域，提供一种轴承智能故障诊断模型建立方法，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，能够完全避免训练集和测试集数据交叉造成的数据泄露；实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。效率高。效率高。


技术研发人员：何水龙 朱良玉 李慧 陶林 胡超凡 陈景龙 蒋占四
受保护的技术使用者：桂林电子科技大学
技术研发日：2022.08.29
技术公布日：2022/11/29