一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法

摘要

本发明属于机械零部件故障诊断技术领域，具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。