轴承故障诊断方法、装置及系统与流程

1.本发明涉及轴承故障诊断技术领域，尤其是涉及一种轴承故障诊断方法、装置及系统。


背景技术：

2.轴承是机械设备中的重要零部件，用于支撑机械旋转体，降低其运动过程中的摩擦系数，若轴承出现故障将会影响机械设备的正常运转，因此对于轴承的故障诊断是十分必要的。现有的轴承故障诊断技术，还存在因故障诊断模型参数设置不合适导致故障诊断准确率较低的问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种轴承故障诊断方法、装置及系统，能够实现对轴承故障类型的有效诊断，提升了轴承故障诊断准确率。
4.为了实现上述目的，本发明实施例采用的技术方案如下：
5.第一方面，本发明实施例提供了一种轴承故障诊断方法，包括：基于传感器监测轴承振动信号；将所述轴承振动信号输入预先训练得到的故障诊断模型中，得到诊断结果；其中，所述故障诊断模型是基于轴承信号样本训练得到，所述故障诊断模型中的待设置参数基于预设优化算法寻优得到。
6.进一步，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述轴承故障诊断方法还包括：获取轴承信号样本；其中，所述轴承信号样本包括针对轴承不同故障状态下采集到的多种故障信号；对所述故障信号进行降噪预处理，对降噪预处理后的所述故障信号进行信号分解，得到多个固有模态分量；从所述固有模态分量中筛选出有效分量，基于所述有效分量构建训练集和测试集；基于所述训练集和所述测试集对所述故障诊断模型进行训练测试，得到训练后的故障诊断模型。
7.进一步，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对降噪预处理后的所述轴承信号样本进行信号分解，得到多个固有模态分量的步骤，包括：基于人工蜂群算法对模态个数及惩罚参数进行寻优计算，得到所述模态个数及所述惩罚参数的最优解；将所述模态个数及所述惩罚参数的最优解输入变分模态分解算法，基于所述变分模态分解算法对所述故障信号样本进行分解，得到多个固有模态分量。
8.进一步，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述基于人工蜂群算法对模态个数及惩罚参数进行寻优计算，得到所述模态个数及所述惩罚参数的最优解的步骤，包括：初始化蜜蜂种群，将所述模态个数及所述惩罚参数作为蜜源，随机初始化蜜源；控制蜜蜂对所述蜜源进行搜索，直至满足迭代终止条件，得到最优的蜜源，将所述最优的蜜源作为所述模态个数及所述惩罚参数的最优解。
9.进一步，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述从所述固有模态分量中筛选出有效分量，基于所述有效分量构建训练集和测试集的步骤，包括：
计算各所述固有模态分量与对应故障信号的相关系数；将所述故障信号的对应的多个相关系数由大到小进行排序，将排序的前m个相关系数对应的固有模态分量作为所述故障信号的有效分量；计算所述故障信号的有效分量的能量，并基于所述有效分量的能量构建特征向量，对所述特征向量进行归一化处理；将归一化处理后的所述故障信号划分为训练集和测试集。
10.进一步，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述基于所述训练集和所述测试集对所述故障诊断模型进行训练测试，得到训练后的故障诊断模型的步骤，包括：基于自适应粒子群算法对所述故障诊断模型的待设置参数进行寻优计算，得到所述待设置参数的最优解；将所述待设置参数的最优解及所述训练集输入所述故障诊断模型中进行模型训练，基于所述测试集对所述故障诊断模型进行测试，得到训练后的故障诊断模型。
11.进一步，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述故障诊断模型为多分类相关向量机，所述待设置参数为径向基核函数的宽度参数δ。
12.第二方面，本发明实施例还提供了一种轴承故障诊断装置，包括：监测模块，用于基于传感器监测轴承振动信号；诊断模块，用于将所述轴承振动信号输入预先训练得到的故障诊断模型中，得到诊断结果；其中，所述故障诊断模型是基于轴承信号样本训练得到，所述故障诊断模型中的待设置参数基于预设优化算法寻优得到。
13.第三方面，本发明实施例提供了一种轴承故障诊断系统，包括：传感器及控制器，所述控制器包括处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如第一方面任一项所述的方法。
14.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述第一方面任一项所述的方法的步骤。
15.本发明实施例提供了一种轴承故障诊断方法、装置及系统，该方法包括：基于传感器监测轴承振动信号；将轴承振动信号输入预先训练得到的故障诊断模型中，得到诊断结果；其中，故障诊断模型是基于轴承信号样本训练得到，故障诊断模型中的待设置参数基于预设优化算法寻优得到。本发明通过将轴承振动信号输入预先训练得到的故障诊断模型中，可以得到轴承的诊断结果，由于该故障诊断模型的待设置参数是基于预设优化算法寻优得到，能够实现对轴承故障类型的有效诊断，提升了轴承的故障诊断准确率。
16.本发明实施例的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明实施例的上述技术即可得知。
17.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前
提下，还可以根据这些附图获得其他的附图。
19.图1示出了本发明实施例所提供的一种轴承故障诊断方法流程图；
20.图2示出了本发明实施例所提供的一种故障信号分解流程图；
21.图3示出了本发明实施例所提供的一种寻优计算流程图；
22.图4示出了本发明实施例所提供的一种滚动轴承故障诊断流程图；
23.图5示出了本发明实施例所提供的一种轴承故障诊断装置结构示意图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
25.本实施例提供了一种轴承故障诊断方法，该方法可以应用于计算机等电子设备，参见图1所示的轴承故障诊断方法流程图，该方法主要包括以下步骤：
26.步骤s102，基于传感器监测轴承振动信号。
27.上述传感器实时采集机械设备的滚动轴承振动信号，采用小波包算法对采集到的轴承振动信号进行降噪预处理，以降低轴承工作环境的噪声影响。上述机械设备诸如可以是煤矿带式输送机，从而可以实现对煤矿带式输送机轴承的故障诊断。
28.步骤s104，将轴承振动信号输入预先训练得到的故障诊断模型中，得到诊断结果。
29.上述故障诊断模型是基于轴承信号样本训练得到，故障诊断模型的待设置参数基于预设优化算法寻优得到。基于不同故障状态下的轴承信号样本对故障诊断模型进行训练，上述轴承信号样本包括轴承在正常运行状态下的振动信号样本、内圈故障时的振动信号样本、外圈故障时的振动信号样本以及滚动体故障时的振动信号样本。故障诊断模型中通常存在一些需要人为输入设置的参数，记为待设置参数，诸如，当上述故障诊断模型为多分类相关向量机(mrvm)时，上述待设置参数可以是多分类相关向量机的径向基核函数中的宽度参数δ。
30.获取预先训练得到的故障诊断模型，将降噪预处理后的轴承振动信号输入训练后的故障诊断模型中，基于故障诊断模型对轴承振动信号进行识别，得到轴承的诊断结果，诊断结果包括正常运行、内圈故障、外圈故障和滚动体故障。
31.本实施例提供的上述轴承故障诊断方法，通过将轴承振动信号输入预先训练得到的故障诊断模型中，可以得到轴承的诊断结果，由于该故障诊断模型的待设置参数是基于预设优化算法寻优得到，提升了轴承的故障诊断准确率。
32.在一个实施例中，为了提升故障诊断模型的诊断准确率，本实施例提供的轴承故障诊断方法还包括以下步骤：
33.步骤(1)：获取轴承信号样本。
34.上述轴承信号样本包括不同故障状态下采集的轴承的故障信号，即该轴承信号样本中包括轴承在多种故障状态下的故障信号，包括轴承在正常运行状态下的振动信号、内圈故障时的振动信号、外圈故障时的振动信号以及滚动体故障时的振动信号。
35.步骤(2)：对故障信号进行降噪预处理，对降噪预处理后的故障信号进行信号分解，得到多个固有模态分量。
36.基于小波包算法对轴承信号样本中的每个故障信号进行降噪预处理，以降低轴承工作环境的噪声影响，在一种具体的实施方式中，可以选择daubechies(db6)小波做为小波基，对信号进行3层小波包分解；确定最佳小波包基，对一个给定的熵标准，计算最佳小波包分解树；选择启发式阈值对高频系数进行阈值量化处理；小波包重构，根据第3层的小波包分解低频系数和量化处理系数进行小波重构，得到降噪预处理后的故障信号。
37.在一种实施方式中，基于人工蜂群算法对模态个数及惩罚参数进行寻优计算，得到模态个数及惩罚参数的最优解；将模态个数及惩罚参数的最优解输入变分模态分解算法，基于变分模态分解算法(variational modal decomposition，vmd)对故障信号样本进行分解，得到多个固有模态分量。
38.vmd算法在对降噪后的故障信号进行分解时，需要提前设定恰当的模态个数k和惩罚参数α，k值选取不当会造成故障信号过分解或者欠分解，同样，α取值不当会造成信息丢失或信息冗余。因此，可以使用人工蜂群算法(artificial bee colony algorithm，简称abc算法)优化模态个数k和惩罚参数α，以构建abc-vmd分解模型。
39.在一种具体的实施方式中，初始化蜜蜂种群，将模态个数及惩罚参数作为蜜源，随机初始化蜜源；控制蜜蜂对蜜源进行搜索，直至满足迭代终止条件(即达到最大迭代次数或者小于优化误差)，得到最优的蜜源，将最优的蜜源作为模态个数及惩罚参数的最优解。
40.本实施例采用的上述人工蜂群算法可以将蜜蜂分为采蜜蜂、观察蜂和侦查蜂三类，参见如图2所示的故障信号分解流程图，初始化蜜蜂种群，三种蜜蜂各自分工寻找最优蜜源(k，α)，判断是否满足迭代终止条件，如果是，得到最优模态个数k和惩罚参数α，将最优模态个数k和惩罚参数α输入变分模态分解算法(vmd)模型，得到abc-vmd分解模型，基于abc-vmd分解模型分别将每个故障信号分解为若干个固有模态分量(intrinsic mode function，imf)。
41.在一种具体的实施方式中，寻找最优蜜源具体步骤如下：
42.1)蜜蜂种群初始化。设蜜蜂总数为s，最大迭代次数为max，单个蜜源最大搜索次数为limit，采蜜蜂数量与蜜源数量相同，均为s/2，将(k，α)作为蜜源，随机初始化s/2个蜜源xi＝(x
i1
，x
i2
，
…
，x
id
)，i∈{1，2，
…
，s/2}，d表示待求问题解的维数。
43.x
ij
＝x
min，j
rand(0，1)(x
max，j-x
min，j
)
44.其中，x
ij
为第i个蜜源的第j个坐标，j∈{1，2，
…
，d}，x
max，j
和x
min，j
分别为优化区间的上下限，rand(0，1)表示[0，1]间的随机数。
[0045]
2)不同的蜜源适应度不同，采蜜蜂在原蜜源及其附近搜索，当搜索的新蜜源适应度值更高时，选择新蜜源。搜索方式为：
[0046]vij
＝x
ij
β(x
ij-x
hj
)，i≠h
[0047]
其中，v
ij
为搜索到的新蜜源，β为-1到1之间的随机数，表示邻域搜索系数，h∈{1，2，
…
，s/2}。根据下式，替换蜜源：
[0048][0049]
其中，x
i 1
为替换更新后的蜜源位置，fv为v
ij
的适应度值，f
x
为x
ij
的适应度值。
[0050]
3)蜜源位置变化后，采蜜蜂将蜜源信息传递给观察蜂，观察蜂按照跟随概率p选择采蜜蜂跟随，并转化为采蜜蜂，根据上述步骤2)进行邻域蜜源搜索。
[0051][0052][0053]
其中，fi为第i个蜜源的目标函数值，fitnessi为函数适应度值，pi为第i只观察蜂跟随概率。
[0054]
4)当蜜源被搜索次数超过最大值limit，则放弃该蜜源，采蜜蜂和观察蜂转化为侦查蜂，并随机产生一个新的蜜源。
[0055]
5)搜索终止条件为达到设置的最大迭代次数或小于设置的优化误差，输出全局最优位置。
[0056]
将(k，α)作为蜜源，通过三种蜜蜂对蜜源的搜索，得到最优的蜜源(k，α)，将k和α代入到vmd模型中，即得到abc-vmd模型。将降噪后的故障数据输入分解模型，分解为若干个固有模态分量(imf)。
[0057]
步骤(3)：从固有模态分量中筛选出有效分量，基于有效分量构建训练集和测试集。
[0058]
由于故障信号分解得到的若干个固有模态分量中存在相关性较低容易导致故障诊断准确率较低的模态分量，从上述固有模态分量中筛选出相关性较高的固有模态分量作为有效分量。
[0059]
计算各固有模态分量与对应故障信号的相关系数。设故障信号s(t)分解得到多个固有模态分量c
l
(t)，l为imf分量序号，则固有模态分量c
l
(t)与原故障信号s(t)相关系数的计算算式为：
[0060][0061]
其中，cov()为两个信号之间的协方差，为信号的方差。
[0062]
将故障信号的对应的多个相关系数由大到小进行排序，将排序的前m个相关系数对应的固有模态分量作为故障信号的有效分量。将排序结果中相关系数较大的前m个固有模态分量作为有效分量，其中，m小于原故障信号分解的固有模态个数，m的取值诸如可以是6。
[0063]
计算故障信号的有效分量的能量，并基于有效分量的能量构建特征向量，对特征向量进行归一化处理；将归一化处理后的故障信号划分为训练集和测试集。
[0064]
计算每个有效分量的能量em＝∫|cm(t)|2dt，构建特征向量t＝[e1，e
2，
···
，em]，将特征向量t做归一化处理将特征向量t做归一化处理通过对轴承信
号样本中的每一个故障信号进行信号分解并构建特征向量归一化处理，可以得到每个故障信号对应的t
′
。将轴承信号样本中的多个处理后的故障信号(即归一化后的特征向量)划分为训练集和测试集，诸如，将轴承信号样本中60％的处理后的故障信号作为训练集，将40％的处理后的故障信号作为测试集。
[0065]
步骤(4)：基于训练集和测试集对故障诊断模型进行训练测试，得到训练后的故障诊断模型。
[0066]
将上述训练集输入故障诊断模型中进行模型训练，将测试集输入训练后的故障诊断模型中得到诊断结果，将测试集的诊断结果与测试集标注的故障类型进行比较，可以得到该故障诊断模型的诊断准确率，当该诊断准确率符合要求时(诸如当诊断准确率大于等于90％时)，确定得到训练后的故障诊断模型。
[0067]
基于自适应粒子群算法对故障诊断模型的待设置参数进行寻优计算，得到待设置参数的最优解。在一种实施方式中，上述故障诊断模型为多分类相关向量机，待设置参数为故障诊断模型中的径向基核函数的宽度参数δ。参见如图3所示的寻优计算流程图，初始化粒子种群，计算种群中每个粒子的适应度，找出粒子个体极值和群体极值，更新粒子的速度和位置，再次计算种群中每个粒子的适应度，更新粒子个体极值和群体极值，判断是否满足迭代终止条件，如果是，将最优值赋给故障诊断模型的宽度参数δ，得到apso-mrvm故障诊断模型。
[0068]
在一种具体的实施方式中，自适应粒子群算法中粒子更新速度和位置的算式为：
[0069]vij
(t 1)＝v
ij
(t) c1r1(t)[p
ij
(t)-x
ij
(t)] c2r2(t)[p
gj
(t)-x
ij
(t)]
[0070]
x
ij
(t 1)＝x
ij
(t) v
ij
(t 1)
[0071]
其中，c1和c2为学习因子(也可以称为加速度常数)，r1和r2为[0，1]范围内的均匀随机数，增加粒子飞行的随机性，i＝1，2，
…
，n，v
ij
∈[-v
max
，v
max
]，v
max
是常数；v
ij
(t)为上一次粒子速度和方向的趋势，v
ij
(t 1)为更新后的当前粒子速度和方向的趋势，x
ij
(t)为上一次粒子位置，x
ij
(t 1)为更新后的当前位置。p
ij
(t)为粒子个体最优位置，p
oj
(t)为粒子全局最优位置。
[0072]
利用个体最优和群体最优的线性组合，得到新的粒子速度更新算式：
[0073][0074]
引入非线性的动态惯性权重系数，粒子速度更新算式为：
[0075][0076]
其中，ω
max
和ω
min
分别为权重系数ω的最大值和最小值，f为粒子当前的目标函数值，f
avg
和f
min
分别为当前所有粒子的平均目标值和最小目标值。
[0077]
当满足迭代终止条件时，得到最优的x
ij
，将x
ij
值赋予故障诊断模型的径向基核函
数宽度参数δ，得到最优的宽度参数δ。
[0078]
将待设置参数的最优解及训练集输入故障诊断模型中进行模型训练，基于测试集对故障诊断模型进行测试，得到训练后的故障诊断模型。
[0079]
将根据优化算法寻优得到的最优的核函数参数δ输入故障诊断模型中，构建得到apso-mrvm故障诊断模型，基于训练集对故障诊断模型进行模型训练，基于测试集对故障诊断模型进行测试，当故障诊断模型测试合格时，得到训练后的故障诊断模型。
[0080]
本实施例提供的上述轴承故障诊断方法，通过采用人工蜂群算法对模态个数(k)和惩罚因子(α)两个参数进行优化，构建abc-vmd分解模型，优化了分解效果，对提取振动信号故障特征十分有利；通过构建apso-mrvm故障诊断模型作为轴承故障诊断模型，既可以避免支持向量机(svm)的不足，又可以实现多故障诊断分类，且相较于mrvm，使用apso对核函数参数(δ)进行优化，避免了人为选择δ的局限性，使诊断时间更快，诊断结果更加准确，对于滚动轴承所处的复杂工作环境来说，能够实现对故障类型和故障程度的有效诊断。
[0081]
在前述实施例的基础上，本实施例提供了一种应用前述轴承故障诊断方法对滚动轴承进行故障检测的示例，参见如图4所示的滚动轴承故障诊断流程图，具体可参照如下步骤执行：
[0082]
步骤1，利用传感器采集滚动轴承的故障信号，采用小波包算法对轴承故障数据进行降噪预处理，降低轴承工作环境噪声的影响。
[0083]
步骤2，使用vmd算法对降噪后的故障信号进行分解。但是vmd算法在分解信号时需要提前设定恰当的模态个数(k)和惩罚参数(α)，k值选取不当会造成信号过分解或者欠分解，同样，α取值不当会造成信息丢失或信息冗余。因此，基于人工蜂群算法(abc算法)优化模态个数和惩罚参数，构建abc-vmd分解模型，基于abc-vmd分解模型将故障信号分解为多个固有模态分量(imf)。
[0084]
步骤3，计算各imf分量和原故障信号的相关性，选取相关系数大的imf作为有效分量。
[0085]
步骤4，基于有效分量的能量分布计算有效分量的能量，构建特征向量并做归一化处理，将处理后的数据分为训练集和测试集。
[0086]
步骤5，使用自适应粒子群算法(apso)优化多分类相关向量机(mrvm)的核函数参数δ，构建得到apso-mrvm故障诊断模型。
[0087]
步骤6，基于故障数据对apso-mrvm故障诊断模型进行训练，基于训练后的故障诊断模块对采集的轴承振动信号进行诊断，得到诊断结果，该诊断结果包括故障类型和故障程度。
[0088]
对应于上述实施例所提供的轴承故障诊断方法，本发明实施例提供了一种轴承故障诊断装置，参见图5所示的一种轴承故障诊断装置结构示意图，该装置包括以下模块：
[0089]
监测模块51，用于基于传感器监测轴承振动信号。
[0090]
诊断模块52，用于将轴承振动信号输入预先训练得到的故障诊断模型中，得到诊断结果；其中，故障诊断模型是基于轴承信号样本训练得到，故障诊断模型中的待设置参数基于预设优化算法寻优得到。
[0091]
本实施例提供的上述轴承故障诊断装置，通过将轴承振动信号输入预先训练得到的故障诊断模型中，可以得到轴承的诊断结果，由于该故障诊断模型的待设置参数是基于
预设优化算法寻优得到，提升了轴承的故障诊断准确率。
[0092]
在一种实施方式中，上述装置还包括：
[0093]
模型构建模块，用于获取轴承信号样本；其中，轴承信号样本包括不同故障状态下采集的轴承的故障信号；对故障信号进行降噪预处理，对降噪预处理后的故障信号进行信号分解，得到多个固有模态分量；从固有模态分量中筛选出有效分量，基于有效分量构建训练集和测试集；基于训练集和测试集对故障诊断模型进行训练测试，得到训练后的故障诊断模型。
[0094]
在一种实施方式中，上述模型构建模块，进一步用于基于人工蜂群算法对模态个数及惩罚参数进行寻优计算，得到模态个数及惩罚参数的最优解；将模态个数及惩罚参数的最优解输入变分模态分解算法，基于变分模态分解算法对故障信号样本进行分解，得到多个固有模态分量。
[0095]
在一种实施方式中，上述模型构建模块，进一步用于初始化蜜蜂种群，将模态个数及惩罚参数作为蜜源，随机初始化蜜源；控制蜜蜂对蜜源进行搜索，直至满足迭代终止条件，得到最优的蜜源，将最优的蜜源作为模态个数及惩罚参数的最优解。
[0096]
在一种实施方式中，上述模型构建模块，进一步用于计算各固有模态分量与对应故障信号的相关系数；将故障信号的对应的多个相关系数由大到小进行排序，将排序的前m个相关系数对应的固有模态分量作为故障信号的有效分量；计算故障信号的有效分量的能量，并基于有效分量的能量构建特征向量，对特征向量进行归一化处理；将归一化处理后的故障信号划分为训练集和测试集。
[0097]
在一种实施方式中，上述模型构建模块，进一步用于基于自适应粒子群算法对故障诊断模型的待设置参数进行寻优计算，得到待设置参数的最优解；将待设置参数的最优解及训练集输入故障诊断模型中进行模型训练，基于测试集对故障诊断模型进行测试，得到训练后的故障诊断模型。
[0098]
在一种实施方式中，上述故障诊断模型为多分类相关向量机，待设置参数为径向基核函数的宽度参数δ。
[0099]
本实施例提供的上述轴承故障诊断装置，通过采用人工蜂群算法对模态个数(k)和惩罚因子(α)两个参数进行优化，构建abc-vmd分解模型，优化了分解效果，对提取振动信号故障特征十分有利；通过构建apso-mrvm故障诊断模型作为轴承故障诊断模型，既可以避免支持向量机(svm)的不足，又可以实现多故障诊断分类，且相较于mrvm，使用apso对核函数参数(δ)进行优化，避免了人为选择δ的局限性，使诊断时间更快，诊断结果更加准确，对于滚动轴承所处的复杂工作环境来说，能够实现对故障类型和故障程度的有效诊断。
[0100]
本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0101]
对应于上述实施例提供的方法和装置，本发明实施例提供了一种轴承故障诊断系统，包括：传感器及控制器，控制器包括处理器和存储装置；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
[0102]
本发明实施例提供了一种计算机可读介质，其中，所述计算机可读介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指
令促使所述处理器实现上述实施例所述的方法。
[0103]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
[0104]
本发明实施例所提供的轴承故障诊断方法、装置及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0105]
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0106]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0107]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0108]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。