噪声条件下轴承故障识别方法、装置、设备和存储介质与流程

技术特征：
1.一种轴承故障的识别方法，其特征在于，包括：s1：采集轴承振动加速度信号；s2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；s3：将待测样本进行离散小波变换，取一层小波分解的低频系数进行信号重构，得到重构信号；s4：将s3中所述重构信号进行快速傅里叶变换，得到与重构信号等长的、关于中心对称的频谱信号，取其半边谱作为后续图神经网络的节点特征；s5：构建特征图：将s4中所述半边谱作为图神经网络的节点特征，计算各节点的特征之间的欧式距离；基于k近邻法则，对每个节点选择其欧氏距离上最近的k个点为其近邻点，形成边连接，非近邻点之间不存在边连接；s6：利用图神经网络的图卷积操作进行特征学习，并在图神经网络的最后构建soft-max分类器，实现轴承的故障识别；所述步骤s3具体包括：利用一次离散小波变换会得到一组高频小波系数和一组低频小波系数；由于噪声具备高频特征，因此舍弃高频小波系数，保留低频小波系数；利用低频小波系数进行信号重构，重构方式采用mallat算法，由此得到基于低频小波系数重构的重构信号；所述步骤s4具体包括：对重构信号进行快速傅里叶变换，得到等长的谱图，该谱图关于中心对称；由于该谱图是中心对称的，为避免信息冗余，取其半边谱作为后续图神经网络的节点特征。2.如权利要求1所述的方法，其特征在于，所述步骤s5具体包括：构建特征图g，主要包含节点、边两项元素的构建；构建节点元素，所述节点特征由s4中所述半边谱特征构成，总节点个数即为待测样本；构建边元素，先计算各节点特征之间的欧式距离；对每一个节点，基于k近邻法则，选择与其欧式距离上最近的k个点作为其近邻点；近邻点之间互相形成边连接，非近邻点不存在边连接；存在边连接的节点之间，设置连接权重w为1，否则为0；所述边连接为无向边连接，所述本步骤中的特征图为无向特征图。3.如权利要求1所述的方法，其特征在于，所述步骤s6具体包括：将s5构建的特征图作为图神经网络的输入，并基于多层图卷积操作，进行节点、边连接信息的特征挖掘；所述图卷积操作，设置为3-5次，可根据节点属性的维度来自定义；所述图卷积操作，在具体操作时，采用切比雪夫多项式作为卷积核，从而实现运算的简化；在最后一次图卷积操作后，利用soft-max分类器，得到轴承的故障识别结果。4.如权利要求1所述的方法，其特征在于，所述步骤s6之前还包括：所述图神经网络在用于识别任务之前，需要进行训练；训练过程需要一定数据的、已知故障标签的样本进行特征图的构建，并进行图神经网络模型的训练；用于训练的样本同样
是在噪声条件下获得的，从而保证图网络学习到噪声样本下轴承故障的特性分布。5.一种轴承故障的识别装置，其特征在于，包括：数据采集模块，用于采集所述轴承的振动加速度原始信号；样本构建模块，用于对所述振动加速度信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；特征降噪模块，用于将所述待测样本进行离散小波变换及重构，并进行快速傅里叶变换得到其半边谱；当存在多个待测样本输入时，它们彼此的处理互不相干；图构建模块，基于降噪后的特征，构建节点属性和边连接属性，形成特征图；图分析模块，用于将所述特征图进行多层图卷积操作，并在最后一层图卷积层后得到soft-max分类结果，即为轴承故障识别的结果。6.一种轴承故障的识别设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至4中的方法。7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。

技术总结
一种噪声条件下轴承故障的识别方法、装置、设备和存储介质，所述方法包括：S1：采集轴承振动加速度信号；S2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；S3：将待测样本进行离散小波变换，取一层小波分解的低频系数进行信号重构，得到重构信号。S4：将S3中所述重构信号进行快速傅里叶变换，取其半边谱作为后续图神经网络的节点特征。S5：构建特征图：将S4中所述半边谱作为图神经网络的节点特征，计算各节点的特征之间的欧式距离；基于K近邻法则，形成边连接，非近邻点之间不存在边连接。S6：利用图神经网络的图卷积操作进行特征学习，并在图神经网络的最后构建Soft-max分类器，实现轴承的故障识别。实现轴承的故障识别。实现轴承的故障识别。


技术研发人员：吕翔亘 梅斌 吕孟爱 吕海波
受保护的技术使用者：深圳潜翔定制设计有限公司
技术研发日：2021.12.14
技术公布日：2022/3/15