基于二维振动图像增强的轴承故障诊断方法及系统

摘要

本发明公开了一种基于二维振动图像增强的轴承故障诊断方法，包括：采集轴承在不同故障类别下的振动的时域信号数据，并利用信号覆盖扩展、横向插值增强和直方图均衡化处理方法对所述隐藏在强干扰环境中的微弱时域信号数据进行扩展增强处理；构建卷积神经网络模型，将经过所述直方图均衡化处理后的增强数据作为所述卷积神经网络模型输入样本，并利用所述卷积神经网络模型逐层贪婪学习所述二维振动图像数据与所述标签之间的联系，利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断分类。本发明可以提高轴承故障类型的识别准确率，适用于强干扰环境和变载荷等复杂工况下对轴承健康状态进行检测诊断。

说明书

技术领域

本发明涉及滚动轴承故障诊断分类技术领域，具体涉及了一种基于二维振动图像增强的轴承故障诊断方法及系统。

背景技术

机电设备正朝着大型化、精密化方向发展，智能化程度日益提高，对设备的运行可靠性也提出更高要求。作为旋转机械中的核心回转支撑部件，其表面的轻微缺陷就可能引发整个系统的运行故障，并造成巨大的人员伤亡和财产损失。机械设备中30％以上的故障是由于滚动轴承故障所致，传统的滚动轴承监测方法，需要工作人员定期从设备上将滚动轴承拆卸下来进行安全检查，耗费大量人力物力，影响工业生产进程。因此开展轴承状态检测和故障诊断对保障设备安全运行具有重要意义。

近年来，AI领域取得了突破性进展，基于数据驱动的故障诊断分类方法日益成为故障诊断领域的主流方法。传统的故障诊断算法主要包括特征提取、特征选择和模式识别三个过程。目前手工特征提取需要依赖经验模态分解、变分模态分解和小波变换等复杂信号分解技术以及专家经验，虽能取得不错的效果，但很容易误删或丢失早期的微弱故障特征，因而限制了模型泛化能力的提高；同时，浅层分类器难以识别隐藏在噪声环境下的深层特征。卷积神经网络是作为典型深度学习方法，提取的特征具有很强的泛化能力和判别能力，近年来，已有学者将一维卷积神经网络和时频变换后的二维卷积神经网络应用于故障诊断领域。然而滚动轴承往往工作在变工况下，所采集到的故障信号具有非线性和非平稳的调制特征，早期微弱故障极易淹没在各种强干扰噪声信号中，将时域信号直接作为训练数据可能会使卷积神经模型学习到与故障无关的噪声特征；此外，经时频变换的RGB三通道图像模型参数量巨大，耗时严重，无法做到快速诊断。

发明内容

为解决上述技术问题，本发明通过提出一种基于二维振动图像增强的轴承故障诊断方法，所述方法包括：

采集轴承在不同故障类别下的振动的时域信号数据；

利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；

利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像；

对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围；

对每种所述故障类别采用独热编码方式，使得每种所述故障类别对应一个标签；

构建卷积神经网络模型，构建卷积神经网络模型，将经过所述直方图均衡化处理后的数据作为所述卷积神经网络模型输入样本，并利用所述卷积神经网络模型逐层贪婪学习所述二维振动图像与所述标签之间的联系；

利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断分类。

在本发明的一个实施例中，所述故障类别包括正常轴承、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、滚子单点故障、滚子多点故障、外圈滚子复合型故障和内圈滚子复合型故障。

在本发明的一个实施例中，所述数据增强与扩展通过以下公式进行：

在本发明的一个实施例中，所述利用横向插值技术构建二维振动图像，其公式如下：

在本发明的一个实施例中，进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级，同时压缩像素较少的灰度级，增大像素之间灰度值差别的动态范围。

在本发明的一个实施例中，所述标签用向量进行表示，所述向量的维数与所述故障类别的类别数量相同。

在本发明的一个实施例中，所述卷积神经网络模型包括数据输入层，故障特征提取层和Softmax分类器。所述故障特征提取层包含4个卷积层、3个池化层以及与Softmax分类器连接的全局平均池化层。

在本发明的一个实施例中，所述全局平均池化层对最后一个所述卷积层输出的每一通道的特征图进行全局平均池化，并将得到的结果向量输入到所述Softmax分类器中。

在本发明的一个实施例中，所述全局平均池化的公式为：

y

本发明还提出一种基于二维振动图像增强的轴承故障诊断分类系统，所述系统应用了上述基于二维振动图像增强的轴承故障诊断分类方法，所述系统包括：

信号采集模块，用于采集轴承在不同故障类别下的振动的时域信号数据；

信号分析处理器，包括：

数据集构建模块，用于利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；

数据增强模块，用于利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像，并对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围以及对每种所述故障类别采用独热编码方式，使得每种所述故障类别对应一个标签；

模型建立模块，用于构建卷积神经网络模型，并利用所述卷积神经网络模型逐层贪婪学习所述二维振动图像与所述标签之间的联系；

故障分类识别模块，用于利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断。

本发明针对滚动轴承早期故障信号易被噪声干扰淹没，所提出的基于直方图均衡化和卷积神经网络的故障诊断方法，不仅在强噪声、变载荷环境下具有较高的分类准确率，且模型参数量大大减少，训练速度更快。

本发明利用直方图均衡化在图像处理领域能够有效增强图像对比度的优势，突出振动图像中的纹理细节和整体对比度，从而增强了隐藏在噪声背景下的周期性故障特征，结合卷积神经网络(Convolutional Neural Network，CNN)强大的自学习能力，具有更好的数据表征效果，同时也避免了人工特征提取和专家经验的依赖，降低诊断过程的操作难度。

本发明采用全局平均池化层替代传统CNN中的全连接层，能够大大降低模型的训练参数量，加快训练进程，并有效防止模型过拟合。本发明同时与支持向量机(SupportVector Machine,SVM)、BP神经网络(Back Propagation Neural Network，BPNN)以及不使用直方图均衡化(Histogram Equalization，HE)的CNN进行对比实验，结果表明本发明所提方法在强噪声和变载荷下均具有更高的故障诊断精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提出的一种基于二维振动图像增强的轴承故障诊断方法流程图。

图2为不同故障类别的轴承振动信号时域图。

图3为数据增强与扩展示意图。

图4为正常轴承的二维振动图像经直方图均衡化处理后的对比图。

图5为内圈单点故障的二维振动图像经直方图均衡化处理后的对比图。

图6为内圈多点故障的二维振动图像经直方图均衡化处理后的对比图。

图7为外圈单点故障的二维振动图像经直方图均衡化处理后的对比图。

图8为外圈多点故障的二维振动图像经直方图均衡化处理后的对比图。

图9为滚子单点故障的二维振动图像经直方图均衡化处理后的对比图。

图10为滚子多点故障的二维振动图像经直方图均衡化处理后的对比图。

图11为外圈滚子复合型故障的二维振动图像经直方图均衡化处理后的对比图。

图12为内圈滚子复合型故障的二维振动图像经直方图均衡化处理后的对比图。

图13为内圈单点故障直方图均衡化对比示意图。

图14为构建的卷积神经网络模型的结构示意图。

图15为测试集多分类混淆矩阵示意图。

图16为轴承不同故障类别对应的颜色映射示意图。

图17为不同阶段可视化结果示意图。

图18为不同噪声环境下各方法的识别准确率对比示意图。

图19为A\B\C三种近邻负载样本数据集在不同噪声背景下的诊断准确率示意图。

图20为本发明提出的一种基于二维振动图像增强的轴承故障诊断分类系统示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

为了能够避免手工特征提取和专家经验，同时在强噪声干扰和变负载工况下保持较高识别精度的诊断分类，用于轴承早期微弱故障的识别和诊断，本发明提出一种基于二维振动图像增强的轴承故障诊断方法，如图1所示，所述方法包括：

S1、采集轴承在不同故障类别下的振动的时域信号数据；

S2、利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；

S3、利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像；

S4、对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围；

S5、对每种所述故障类别采用独热编码方式，使得每种所述故障类别对应一个标签；

S6、构建卷积神经网络模型，并利用所述卷积神经网络模型逐层贪婪学习所述二维振动图像与所述标签之间的联系；

S7、利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断。

如图1所示，在步骤S1中，利用轴承试验台采集不同故障类别下的轴承振动的时域信号数据，在本实施例中，所述轴承型号采用NU101EM和N1010EM的单列圆柱滚子轴承，所述轴承的具体参数如下表表1所示，

表1轴承的具体参数

现有轴承故障诊断分类方法往往只对轴承内圈、外圈和滚子在单点损伤状态下的故障模式，而在实际工况下，轴承还会出现多点损伤以及内、外圈与滚动体的复合故障等故障类型。因此实验前使用线切割加工方式，分别加工出包括内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、滚子单点故障、滚子多点故障、外圈滚子复合型故障、内圈滚子复合型故障以及正常轴承在内的9种故障参数的轴承数据，如下表2所示。上述故障尺寸均为9×0.2mm，转速为2000r/min，以20.48kHz采样频率采集2kN负载下的轴承故障振动信号用于实验分析，图2表示为轴承9种健康状态对应的振动信号时域波形，可以观察到不同故障类型的时域波形具有一定的差别。同时为了验证本发明所提方法在变负载工况下的迁移能力，另外采集负载为3kN、4kN下的滚动轴承故障信号。

表2滚动轴承故障参数

如图1所示，在步骤S2中，采集上述9中故障类别的时域信号数据，利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集。需要说明的是，转轴每转一圈采集到的点数约为614个点(20480×60÷2000≈614)，为了保证每个样本至少覆盖一个故障周期，样本长度设置为1024个采样点。

如图1所示，在本实施例中，对单个所述时域信号数据进行数据增强与扩展，以获得足够多的深度学习样本，提高模型泛化能力。所述数据增强和扩展通过以下公式进行：

其中，m为可得到的最大样本数量；N为采集到的故障信号长度；len为每个样本的采样点；η为重叠率，范围在5％至95％之间，根据信号类型选取。需要说明的是，在本实施例中，η太小，难以获得足够的深度学习样本，且容易破坏原始数据点之间的空间关联性；η太大，导致神经网络模型只能学习到相同的故障信息，降低了模型学习特征的鲁棒性，因此，本例中重叠率η取52％。

在本实施例中，图3显示为数据增强与扩展示意图。在本实施例中，传感器采集到的故障信号长度N＝634880点，len设置为1024点，η设置为0.52。为了保证学习到的特征更具鲁棒性，对单个所述时域信号数据采用上式进行扩展，验证集和测试集采用无重叠采样，这样每种故障类别共得到800组训练数据、100组验证数据和100组测试数据共1000组数据。

如图1所示，在步骤S3中，利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像，其公式如下：

其中，L(i)(i＝1,2,…,M

如图1所示，在步骤S4中，对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围；在本实施例中，进行直方图均衡化处理具体包括拉伸直方图中像素较多的灰度级，同时压缩像素较少的灰度级，增大像素之间灰度值差别的动态范围。图4至图12分别显示为正常轴承，内圈单点故障，内圈多点故障，外圈单点故障，外圈多点故障，滚子单点故障，滚子多点故障，外圈滚子复合型故障和内圈滚子复合型故障的二维振动图像经直方图均衡化处理后的对比图。经过直方图均衡化处理的灰度图纹理特征更加突出，相比原图包含更多的故障信息，因而有利于卷积神经网络提取和分析图像中周期性故障特征。

在本实施例中，为了增强振动图像中微弱的故障信息，本实施例中采用直方图均衡化技术使像素灰度值分布更加均匀，突出纹理细节和对比度，以提高故障诊断精度。直方图均衡化作为一种有效的图像增强技术，通过对直方图中像素数量较多的灰度级进行拉伸，像素较少的灰度级进行压缩，从而增大像素之间灰度值差别的动态范围，使生成图像的直方图尽可能平坦。考虑灰度级为[0,L-1]的数字图像，其中0代表黑色，L-1代表白色，则灰度直方图的离散形式和图像的概率分布函数可以表示为：

h(i)＝n

其中n

0≤CDF(r

对CDF(r

CDF(r)＝int[(N-1)CDF(r

如图13表示为内圈单点故障的均衡化前后对比图，未经直方图均衡化处理的灰度图(左侧)其纹理特征不够明显，灰度分布较为集中；而经过直方图均衡化处理后的图像纹理特征更加突出，灰度级分布比较适中，比原图像更加清晰、明朗，因而有利于卷积神经网络提取和分析图像中周期性的故障特征。

如图1所示，在步骤S5中，对上述每种故障类别采用“独热编码(one-hot)”方式进行编码，使得每种所述故障类别对应一个标签，在本实施例中，所述标签用向量进行表示，所述向量的维数与所述故障类别的类别数量相同，各故障类型与对应的标签如下表表3所示。

表3故障类别和对应标签

需要说明的是，按照上述步骤依次将传感器采集到的振动的时域信号数据进行处理，构建滚动轴承故障诊断数据集，将每种故障类别下的数据分为800组用于训练、100组用于验证，剩下100组用于测试模型的诊断效果。

如图1所示，在步骤S6中，构建卷积神经网络模型，并利用所述卷积神经网络模型逐层贪婪学习所述时域信号数据与所述标签之间的联系。在本实施例中，图14显示为构建的卷积神经网络模型的结构示意图。在本实施例中，所述卷积神经网络模型数据输入层100，故障特征提取层200和Softmax分类器300，所述故障特征提取层包含4个卷积层(包括卷积层1，卷积层2，卷积层3和卷积层4)、3个池化层(包括池化层5，池化层6和池化层7)以及与Softmax分类器300(输出层)连接的全局平均池化层8(GlobalAverage Pooling，GAP)，其中数据输入层将经过数据增强与扩展和直方图均衡化处理后的数据作为输入样本。需要说明的是，本实施例中引入全局平均池化层8(GAP)替代全连接层(Fully Connected，FC)以减少模型训练参数量，防止过拟合。

在本实施例中，上述每层的参数信息如下表表4所示：

表4构建卷积神经网络模型参数

即，GAP的使用使原全连接层参数量由787968降至0，Conv(5×5×32)表示一个卷积层，卷积核大小为5×5，输出的特征图数量为32张。Maxpool(2×2)代表滤波器大小为2×2的池化层，输出特征图数量不变。本实施例中，卷积层1使用5×5的宽卷积核来提取故障特征，且卷积层1的滤波器数量相对较少，目的是抑制信号中的高频噪声，卷积层2至卷积层4采用VGG网络(Visual Geometry GroupNetwork)中特有的3×3小卷积核获得低、中频时域信号的周期性故障信息。

需要说明的是，在传统的卷积神经网络模型架构中，训练样本通过一系列卷积和池化层交叉传播得到的特征送入全连接层，这不仅增加模型参数量而且极易发生过拟合。在本实施例中，通过引入全局平均池化层(GAP)替代全连接层以减少模型训练参数量，防止过拟合，全局平均池化是对最后一个所述卷积层输出的每一通道的特征图进行全局平均池化，并将得到的结果向量输入到所述Softmax分类器中，并且全局平均池化层不参与误差反向传播，因而降低了模型中训练参数量，能够有效避免过拟合。在本实施例中，所述全局平均池化的公式为：

y

其中，x

如图1所示，在步骤S7中，利用反向传播算法调整所述模型参数，并进行迭代以实现轴承的故障诊断分类，并进行故障诊断，以提高轴承故障类型的识别准确率，适用于强噪声和变载荷等复杂工况时对轴承进行检测诊断。

在本实施例中，对其进行验证，取一次训练所选取的样本数(Batch-size)为128，优化器选择Adam(学习率自适应调整)，激活函数选择ReLU，卷积神经网络运行在Tensorflow2.0+python3.7软件，计算机采用windows1064位配置，CPU为Intel i5-8300H。为了验证上述方法(本文方法)的优越性，将本文方法与支持向量机(Support VectorMachine，SVM)、BP神经网络(BPNN)以及传统CNN神经网络进行对比验证，每次实验进行5次取平均值，同时为了验证直方图均衡化对微弱故障具有增强作用，设置一组无直方图均衡化处理的CNN方案用于对比，CNN模型与本文方法完全相同。由于基于SVM和BPNN的智能诊断分类方法通常需要先从原始振动信号提取特征，然后输入分类器中实现分类预测。采用时域和频域中常见的均方根值、方差、峭度等10种时频域特征参数构建特征向量。因SVM在小样本数据集的诊断效果更佳，从每类故障数据集中随机30个样本作为每类故障的训练样本数目，20个作为测试样本，选取径向基函数(Radial Basis Function，RBF)函数作为核函数，最佳惩罚因子c和核函数半径g通过遗传算法(Genetic Algorithm，GA)优化得到。

下表表5给出了本文提出的故障诊断分类方法与三种对比方法的识别结果，将5次测试准确率的平均值和标准差作为诊断优劣的判定依据。从表5可知，本文方法取得最好的诊断效果，5次测试准确率平均值高达99.93％，且5次测试准确率的标准差仅为0.14％，明显低于其余三种方法，具有更好的模型泛化能力和稳定性，基于BPNN和SVM的传统故障诊断分类方法由于需要人工特征提取，对故障刻画能力有限，测试准确率的平均值仅为90.82％和93.33％，同时注意到，无直方图均衡化处理的CNN实验结果为98.87％，诊断效果比本文方法低1.06％，验证了直方图均衡化在增强周期性故障特征、提高故障诊断率方面具有可行性。

表5故障诊断分类方法与三种对比方法的识别结果

在本实施例中，引入多分类混淆矩阵对其中一次诊断结果进行详细分析，混淆矩阵能够清晰地反映出滚动轴承在不同故障类型下的识别准确率以及真实故障被误判到何种类型。图15表示为测试集多分类混淆矩阵示意图，如图15所示，x轴表示测试集预测标签，y轴表示故障真实标签，对角线处的数值表示每一类测试样本分类的正确个数，非对角线位置的数值代表被误判的个数，每一种健康状态包含100个测试样本。即，测试集上的900个样本中，仅有3个内圈单点故障类型被误判为内圈多点故障，其余8种状态均能得到100％的识别，且误判类型属于轴承相同部位不同故障点数的故障类型，表明本文方法具有较高的故障诊断精度。

在本实施例中，为了评估本文方法的逐层学习过程，引入流形学习中的维数约简算法(t-distributed stochastic embedding，t-SNE)对该次实验各个阶段的特征进行可视化，实验结果如图16至图17所示，图16显示为轴承不同故障类别对应的颜色映射示意图，图17显示为不同阶段可视化结果示意图，每个点代表一个样本，其中图17a)表示为输入层分类结果，图17b)表示为池化层5的分类结果，图17c)表示为输出层的分类结果，由于原始振动信号具有较大的冗余性，9种故障类别的分布处于无序状态，难以判别；经过第一个降采样后，样本分布明显改善，大部分样本已经聚拢在特定区域，但仍有不少样本散落于相邻的故障类别之间；模型训练完成后，最终在测试集上的诊断结果为99.67％。除个别样本出现误判外，9类故障均得到了很好的区分，可视化结果表明，本文方法可以逐层挖掘隐藏在原始数据中的深层敏感特征，提高识别准确率。

需要说明的是，从试验台采集的振动信号多为稳态信号，噪声水平较低，不能反映故障诊断算法在实际环境噪声下的诊断性能。为了验证本发明所提方法在不同噪声强度下的抗噪性能，向振动信号中加入-8dB到6dB不等强度的高斯白噪声，对比不同噪声环境下各方法的识别准确率，其故障诊断结果如图18所示。

显然，噪声功率越大，故障诊断的难度也越大；在四种诊断分类方法中，本文所提模型在任何噪声环境下都能达到最佳的诊断性能。传统的机器学习算法SVM和BPNN由于严重依赖人工特征提取，无法自适应提取隐藏在强噪声下的故障特征，诊断效果明显弱于深度学习算法，即使在SNR＝6dB的情况下，诊断精度也不足90％。得益于深度学习强大的数据挖掘能力，在信噪比为-8dB的强噪声情况下，两种CNN方法也能达到85％以上的高精度，但本文方法借助直方图均衡化技术，能够增强与扩展周期性故障特征，准确率相比提高了约5％。因此，所提模型对噪声具有更强的鲁棒性，更适合用于实际运行中的轴承故障诊断。

机械设备在实际运行时，作用于轴承上的负载往往随着生产任务的变化而变化，仅仅获得轴承单一工况下的运行的网络模型是不够的，为此本文对所提模型的跨负载稳定性进行了实验。分别采集2kN、3kN和4kN工况下的9种故障状态的振动信号并构建A\B\C三种近邻负载样本数据集。实验中，“A→B”表示训练集为A而测试集为B，每种方法在变负载数据集中进行5次实验，取平均值作为测试集诊断结果。最终实验结果见图19，图19显示为A\B\C三种近邻负载样本数据集在不同噪声背景下的诊断结构准确率示意图。

如图19所示，BPNN模型负载迁移效果最差，B→C和C→A准确率均低于50％，平均准确率为60.31％，模型泛化能力较差；SVM模型仅在B→C负载迁移情况下达到86.3％，其余准确率均在76％以下，且在A→C和C→A情况诊断准确率只有54.43％、41.48％，表明浅层故障诊断模型难以自适应提取对载荷不敏感深层特征；本文方法将直方图均衡化的微弱故障增强特点与CNN强大的自学习能力相结合，其负载迁移结果均高于三种对比方法，平均准确率为94.54％；在B→A和B→C下分别达到99.32％和98.87％的高准确率，同时在诊断效果普遍较差的C→A和A→C工况下也能维持85％以上的准确率，比CNN(无HE)方法分别提高了3.23％和7.31％，证明了本方法在变负载情况下诊断的优越性与稳健性。

如图20所示，本发明还提出一种基于二维振动图像增强的轴承故障诊断分类系统，所述系统应用了上述基于二维振动图像增强的轴承故障诊断分类方法，所述系统包括：信号采集模块10，信号分析处理器20和故障分类识别模块30。

如图20所示，在本实施例中，所述信号采集模块10用于采集轴承在不同故障类别下的振动的时域信号数据；

如图20所示，在本实施例中，信号分析处理器20包括数据集构建模块21，数据增强模块22和模型建立模块23，所述数据集构建模块21用于利用数据增强与扩展技术对单个所述时域信号数据进行扩充，并将其划分为训练集，验证集和测试集；所述数据增强模块22用于利用横向插值技术根据所述训练集，所述验证集和所述测试集构建二维振动图像，并对所述二维振动图像进行直方图均衡化处理，以增大像素之间灰度值差别的动态范围以及对每种所述故障类别采用独热编码方式，使得每种所述故障类别对应一个标签；所述模型建立模块23用于构建卷积神经网络模型，并利用所述卷积神经网络模型逐层贪婪学习所述时域信号数据与所述标签之间的联系；

如图20所示，在本实施例中，所述故障分类识别模块30用于利用反向传播算法逐层调整所述模型的权值和阈值，得到最佳参数组合以实现轴承的故障诊断。

本发明针对滚动轴承早期故障信号易被噪声干扰淹没，所提出的基于直方图均衡化和卷积神经网络的故障诊断分类方法，不仅在强噪声、变载荷环境下具有较高的分类准确率，且模型参数量大大减少，训练速度更快。

本发明利用直方图均衡化在图像处理领域能够有效增强图像对比度的优势，突出振动图像中的纹理细节和整体对比度，从而增强了隐藏在噪声背景下的周期性故障特征，结合卷积神经网络强大的自学习能力，具有更好的数据表征效果，同时也避免了人工特征提取和专家经验的依赖，降低诊断过程的操作难度。

本发明采用全局平均池化层替代传统CNN中的全连接层，能够大大降低模型的训练参数量，加快训练进程，并有效防止模型过拟合。本发明同时与支持向量机、BP神经网络以及不使用直方图均衡化的CNN进行对比实验，结果表明本发明所提方法在强噪声和变载荷下均具有更高的故障诊断精度。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明，本领域技术人员应当理解，本申请中所涉及的范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案，例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出本发明的创新特点，其余技术特征在此不再赘述。