本发明涉及机械故障诊断技术领域，尤其涉及一种滚动轴承复合故障诊断方法及装置。
背景技术：
滚动轴承是机电设备中最常用的关键零部件之一，其运行状态直接影响到整台机器的性能。
目前，已有很多基于时域、频域、时频域或者机器学习的方法被提出用于进行单一故障特征的提取并进行最终故障的辨识。
然而，工程实践中，往往出现集中故障的同时发生，即形成复合故障。不同于单一故障特征的简单叠加，复合故障往往耦合在一起，难以直接采用单一故障方法进行识别。因此，针对上述问题，有必要提出了一种滚动轴承复合故障诊断方法，无需复合故障样本，即可实现滚动轴承复合故障诊断。
技术实现要素：
本发明实施例所要解决的技术问题在于，提供一种滚动轴承复合故障诊断方法及装置，无需复合故障样本，即可实现滚动轴承复合故障诊断。
为了解决上述技术问题，本发明实施例提供了一种滚动轴承复合故障诊断方法，所述方法包括以下步骤：
s1、获取滚动轴承的待检测信号，以及获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为预设的故障类型之其中一种类型；
s2、采用每一个预先已训练好的单一故障二分类器的故障参数，分别对待检测信号进行解卷积，并使用相应的单一故障二分类器进行故障诊断之后，组合得到待检测信号的复合故障并输出。
其中，所述滚动轴承复合故障诊断模型的形成步骤具体包括：
预先设置故障类型以及每一种故障的特征频率，并结合预设的数据采样频率，分别计算得到每一种故障的冲击采样点间隔；其中，所述故障类型至少有两种；
根据每一种故障类型，利用最大相关峭度解卷积，构建出分别对应每一种故障的单一故障特征增强滤波器；
基于计算得到每一种故障的冲击采样点间隔，确定每一种故障各自对应的训练样本集，且将所有训练样本集中的每一个训练样本均导入所有单一故障特征增强滤波器进行滤波处理，得到各训练样本经滤波处理后对应每一种故障的特征；
构建分别对应每一种故障的单一故障二分类器；
根据各训练样本经滤波处理后对应每一种故障的特征，选择对应的单一故障二分类器进行训练，得到对应每一种故障均已训练好的单一故障二分类器。
其中，通过公式
ti为第i种故障的冲击采样点间隔；fs为所述预设的数据采样频率；fi为第i种故障的特征频率；i＝(1,2,...,m)；m为故障类型总数。
其中，每一种故障的单一故障特征增强滤波器均通过公式
yi为第i种故障的单一故障特征增强滤波器滤波后的信号序列；x为训练样本的输入信号序列；filteri为第i种故障的单一故障特征增强滤波器的参数；
本发明实施例还提供了一种滚动轴承复合故障诊断装置，包括获取单元和输出单元；其中，
所述获取单元，用于获取滚动轴承的待检测信号，以及获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为预设的故障类型之其中一种类型；
所述输出单元，用于采用每一个预先已训练好的单一故障二分类器的故障参数，分别对待检测信号进行解卷积，并使用相应的单一故障二分类器进行故障诊断之后，组合得到待检测信号的复合故障并输出。
实施本发明实施例，具有如下有益效果：
本发明通过预先训练好的多个基于最大相关峭度解卷积构建的单一故障二分类器对待检测信号进行解卷积并进行故障诊断，组合得到待检测信号的复合故障，从而无需复合故障样本，利用不同参数的最大相关峭度解卷积提供多通道分析，最终实现滚动轴承复合故障诊断。
附图说明
为了更清楚地说明本发明实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的滚动轴承复合故障诊断方法的流程图；
图2为本发明实施例提供的滚动轴承复合故障诊断方法中单一故障二分类器的结构示意图；
图3为本发明实施例提供的滚动轴承复合故障诊断方法中待检测信号进行复合故障诊断的应用场景图；
图4为本发明实施例提供的滚动轴承复合故障诊断装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种滚动轴承复合故障诊断方法，所述方法包括以下步骤：
步骤s1、获取滚动轴承的待检测信号，以及获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为预设的故障类型之其中一种类型；
步骤s2、采用每一个预先已训练好的单一故障二分类器的故障参数，分别对待检测信号进行解卷积，并使用相应的单一故障二分类器进行故障诊断之后，组合得到待检测信号的复合故障并输出。
具体过程为，在步骤s1之前，首先需要构建包含多个基于最大相关峭度解卷积构建的单一故障二分类器，接着对每一个单一故障二分类器进行训练，最后将训练好的单一故障二分类器组合为滚动轴承复合故障诊断模型。
此时，滚动轴承复合故障诊断模型的形成，具体步骤如下：
(1)预先设置故障类型以及每一种故障的特征频率，并结合预设的数据采样频率，分别计算得到每一种故障的冲击采样点间隔；其中，故障类型至少有两种；
具体为，预先设置四种故障类型，包括无故障(即健康)、滚动体故障、内圈故障和外圈故障。进一步的，确定无故障的特征频率为13.33hz；滚动体故障的特征频率为77.65hz；内圈故障的特征频率为131.73hz以及外圈故障的特征频率为95.2hz。
预先设置数据采样频率fs，通过公式
(2)根据每一种故障类型，利用最大相关峭度解卷积，构建出分别对应每一种故障的单一故障特征增强滤波器；
具体为，利用最大相关峭度解卷积，构建出分别对应无故障(即健康)、滚动体故障、内圈故障和外圈故障四种类型的单一故障特征增强滤波器，即m＝4个单一故障特征增强滤波器。
(3)基于计算得到每一种故障的冲击采样点间隔，确定每一种故障各自对应的训练样本集，且将所有训练样本集中的每一个训练样本均导入所有单一故障特征增强滤波器进行滤波处理，得到各训练样本经滤波处理后对应每一种故障的特征；
具体为，每一种故障的单一故障特征增强滤波器均通过公式
对于单一故障训练样本应分别采用多个不同滤波器对同一样本进行多次滤波，使得n个单一故障训练样本滤波后应存在4n个特征。同时，对于单一故障训练样本仅当滤波器与对应故障类型标签对应时，形成的新的样本为故障样本，其余均为无故障。
(4)基于卷积神经网络，构建分别对应每一种故障的单一故障二分类器；
具体为，如图2所示，每一种故障的单一故障二分类器采用的卷积神经网络均由三个一维卷积及池化层和两个dense层构成；其中，三个一维卷积及池化层包括128个卷积核为5×1和池化核大小为2×1形成的一维卷积及池化层、64个卷积核为3×1和池化核大小为2×1形成的一维卷积及池化层、32个卷积核为3×1和池化核大小为2×1形成的一维卷积及池化层；两个dense层的大小分别为40和8。
(5)根据各训练样本经滤波处理后对应每一种故障的特征，选择对应的单一故障二分类器进行训练，得到对应每一种故障均已训练好的单一故障二分类器。
具体为，各训练样本经滤波处理后对应每一种故障的特征信号分解后的待分类特征(数据长度18756)对应的单一故障二分类器进行训练。
即，首先，通过含有128个卷积核为5×1的卷积层提取其浅层特征，随后最大池化层(maxpooling)对卷积层的特征进行降维操作，池化核大小为2×1。其次，在第二个卷积层中，浅层特征通过一个含有64个卷积核为3×1的卷积层提取其特征，最大池化层用于对其特征进行进一步降维，池化核大小为2×1。然后，在第三个卷积层中，浅层特征通过一个含有32个卷积核为3×1的卷积层提取其深层特征，最大池化层用于对其特征进行进一步降维，池化核大小为2×1。flatten后的数据通过两个dense层(大小分别为40和8)，最后通过分类器进行故障类型的预分类，得到对应每一种故障的单一故障二分类器均已训练好之后的二分类器。
在步骤s1中，获取滚动轴承的待检测信号，并获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为故障类型之其中一种类型。在一个实施例中，有四个个预先已训练好的单一故障二分类器，对应输出结果分别为无故障(即健康)、滚动体故障、内圈故障和外圈故障。
在步骤s2中，如图3所示，针对于任一待检测信号，分别采用不同故障类型参数进行解卷积，并使用对应单一故障二分类器分别进行判断，最终通过对单一故障二分类器结果进行综合实现复合故障的诊断。
在一个实施例中，待检测信号最终分类故障诊断所得到的复合故障结果，如下表所示：
如图4所示，为本发明实施例中，提供的一种滚动轴承复合故障诊断装置，包括获取单元110和输出单元120；其中，
所述获取单元110，用于获取滚动轴承的待检测信号，以及获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为预设的故障类型之其中一种类型；
所述输出单元120，用于采用每一个预先已训练好的单一故障二分类器的故障参数，分别对待检测信号进行解卷积，并使用相应的单一故障二分类器进行故障诊断之后，组合得到待检测信号的复合故障并输出。
其中，所述预设的故障类型有四种，包括无故障、滚动体故障、内圈故障和外圈故障。
其中，所述无故障的特征频率为13.33hz；所述滚动体故障的特征频率为77.65hz；所述内圈故障的特征频率为131.73hz和所述外圈故障的特征频率为95.2hz。
实施本发明实施例，具有如下有益效果：
本发明通过预先训练好的多个基于最大相关峭度解卷积构建的单一故障二分类器对待检测信号进行解卷积并进行故障诊断，组合得到待检测信号的复合故障，从而无需复合故障样本，利用不同参数的最大相关峭度解卷积提供多通道分析，最终实现滚动轴承复合故障诊断。
值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
1.一种滚动轴承复合故障诊断方法，其特征在于，所述方法包括以下步骤：
s1、获取滚动轴承的待检测信号，以及获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为预设的故障类型之其中一种类型；
s2、采用每一个预先已训练好的单一故障二分类器的故障参数，分别对待检测信号进行解卷积，并使用相应的单一故障二分类器进行故障诊断之后，组合得到待检测信号的复合故障并输出。
2.如权利要求1所述的滚动轴承复合故障诊断方法，其特征在于，所述滚动轴承复合故障诊断模型的形成步骤具体包括：
预先设置故障类型以及每一种故障的特征频率，并结合预设的数据采样频率，分别计算得到每一种故障的冲击采样点间隔；其中，所述故障类型至少有两种；
根据每一种故障类型，利用最大相关峭度解卷积，构建出分别对应每一种故障的单一故障特征增强滤波器；
基于计算得到每一种故障的冲击采样点间隔，确定每一种故障各自对应的训练样本集，且将所有训练样本集中的每一个训练样本均导入所有单一故障特征增强滤波器进行滤波处理，得到各训练样本经滤波处理后对应每一种故障的特征；
基于卷积神经网络，构建分别对应每一种故障的单一故障二分类器；
根据各训练样本经滤波处理后对应每一种故障的特征，选择对应的单一故障二分类器进行训练，得到对应每一种故障均已训练好的单一故障二分类器。
3.如权利要求2所述的滚动轴承复合故障诊断方法，其特征在于，通过公式
ti为第i种故障的冲击采样点间隔；fs为所述预设的数据采样频率；fi为第i种故障的特征频率；i＝(1,2,...,m)；m为故障类型总数。
4.如权利要求3所述的滚动轴承复合故障诊断方法，其特征在于，每一种故障的单一故障特征增强滤波器均通过公式
yi为第i种故障的单一故障特征增强滤波器滤波后的信号序列；x为训练样本的输入信号序列；filteri为第i种故障的单一故障特征增强滤波器的参数；
5.一种滚动轴承复合故障诊断装置，其特征在于，包括获取单元和输出单元；其中，
所述获取单元，用于获取滚动轴承的待检测信号，以及获取多个预先已训练好的基于最大相关峭度解卷积构建出的单一故障二分类器；其中，每一个单一故障二分类器输出结果均为预设的故障类型之其中一种类型；
所述输出单元，用于采用每一个预先已训练好的单一故障二分类器的故障参数，分别对待检测信号进行解卷积，并使用相应的单一故障二分类器进行故障诊断之后，组合得到待检测信号的复合故障并输出。
技术总结