一种基于STFT与CNN的列车轴承故障诊断方法与流程

技术特征：
1.一种基于stft与cnn的列车轴承故障诊断方法，其特征在于，具体按以下步骤实施：步骤1，收集列车轴承的故障振动信号；步骤2，通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据；步骤3，通过stft提取振动信号的时频信息，并将时频信号分解为实部与虚部；步骤4，构建基于cnn的故障识别深度学习网络；步骤5，基于深度学习网络的识别结果，通过softmax函数得到轴承的故障诊断结果。2.根据权利要求1所述的一种基于stft与cnn的列车轴承故障诊断方法，其特征在于，所述步骤2具体按以下步骤实施：步骤2.1，求得序列数据的平均值x
mean
，最大值x
max
；步骤2.2，用序列数据减去x
mean
；步骤2.3，使用步骤2.2得到的序列数据除以最大值x
max
；步骤2.4，通过公式(1)对原始振动信号x进行差分一阶操作，得到差分序列x
diff
：步骤2.3，x
diff
写为其中为x
diff
的平均值，n为原始序列长度，去除均值后的零均值序列表示为：x0＝{x2,x3,
…
,x
n
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)步骤2.4，设不平顺数据波动阈值为σ，且满足0＜σ，则随机波动的正常范围为[
‑
σ,σ]，即超过波动正常范围的数据被认定为异常数据，其中σ通过公式(3)确定，式中，n为数据点个数，k为经验系数：步骤2.5，遍历x0，得到异常数据集合令异常数据x
t
＝mean(|x0|)，其中mean(
·
)为平均值函数；步骤2.6，将零均值序列x0还原为差分序列x
diff
，然后将差分序列x
diff
还原为原始数据得到矫正异常数据的不平顺数据，完成数据的异常数据识别与矫正操作。3.根据权利要求1所述的一种基于stft与cnn的列车轴承故障诊断方法，其特征在于，所述步骤3具体为：stft变换的离散形式为：得到一个两维复数矩阵，并且可利用fft变换实现快速计算，其幅值矩阵可表示为：a(m,n)＝|f
stft
(m,n)|
ꢀꢀꢀꢀꢀꢀ
(4)由式(4)得到的信号stft变换幅值矩阵，其行对应采样时间点，列对应频率值，矩阵元素为对应的频谱幅值。4.根据权利要求1所述的一种基于stft与cnn的列车轴承故障诊断方法，其特征在于，所述步骤4具体按以下步骤实施：步骤4.1，构建cnn变种模型提取输入二维数据的特征；步骤4.2，卷积层将输入与自己的内核做卷积操作，将输出为下一层的输出，每个内核
有相同的大小，并且提取输入的局部特征：式中，(*)表示卷积操作，m
j
表示选择的输入映射，l代表网络中的层数，k为一个尺寸为s
×
s的内核矩阵，f(
·
)为非线性激活函数；步骤4.3，池化层减少输入特征的大小，并且能减少网络的参数数量，避免网络陷入局部最优，如下式(6)，式中down(
·
)为子采样函数：步骤4.4，堆叠cnn变种模型的输出值。5.根据权利要求1或4所述的一种基于stft与cnn的列车轴承故障诊断方法，其特征在于，所述步骤5具体按以下步骤实施：步骤5.1，将堆叠的cnn输出值输入进全连接层，将全连接层的输出值输入进softmax函数得到模型的输出概率分布q(x)，e
i
为第i个神经元的输出值，j为类别数量；步骤5.2，基于模型输出的概率分布计算模型误差，其中p(x)为目标概率分布，q(x)为实际输出的概率分布，则实际输出与标签的交叉熵为：

技术总结
本发明公开了一种基于STFT与CNN的列车轴承故障诊断方法，收集列车轴承的故障振动信号；通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据；通过STFT提取振动信号的时频信息，并将时频信号分解为实部与虚部；构建基于CNN的故障识别深度学习网络；基于深度学习网络的识别结果，通过SoftMax函数得到轴承的故障诊断结果；本发明充分利用了列车轴承故障振动信号的时频信息，并基于CNN在图像分类领域的研究成果，提出了一种CNN新变种。出了一种CNN新变种。出了一种CNN新变种。


技术研发人员：孟海宁 童新宇 黑新宏 李维 姬文江
受保护的技术使用者：西安理工大学
技术研发日：2021.08.20
技术公布日：2021/12/16