基于信号分割网络和指纹特征的轴承故障诊断方法及系统

1.本发明涉及轴承故障诊断技术领域，特别是涉及一种基于信号分割网络和指纹特征的轴承故障诊断方法及系统。


背景技术：

2.轴承作为机械系统中最常用的部件之一，其故障已成为机器故障的最普遍原因之一。一旦轴承出现故障，往往伴随着巨大的经济损失，甚至是人员伤亡。因此，轴承的健康监测和故障诊断具有重要意义。尽管基于振动信号的轴承故障诊断在过去20年发展迅速，并成为当前的研究重点，但对于特定的应用场景，例如低速和重载条件下，以及特定的诊断任务，例如损伤定位和定量评估，声发射技术比基于振动的方法显示出更令人满意的结果。
3.声发射技术已被广泛用于机械系统的结构健康监测和状态监测。可以利用瞬态弹性波的快速释放来监测各种结构性损伤，如裂纹扩展、塑性变形和腐蚀，以及旋转机械的故障，如疲劳失效、摩擦磨损和转子碰摩。有故障的轴承声发射信号显示出两种显著且独特的特征：基于信号全局尺度上周期性特征，以及基于离散能量的突发事件特征。全局特征聚焦于与故障相关的周期性脉冲分量，之后的分析基本遵循包络分析方法。离散能量特征通常需要首先提取波形流中的脉冲组分，这不仅支持后续分析和指标计算，还节省了数据存储容量。事实上，声发射信号的采样频率一般较高，所以需要同时考虑两种特征的优势，以适应多变工况下的在线诊断任务。
4.在实际应用中，目标是使用尽可能少的传感器进行决策，并保证实时性能。因此，仅利用声发射技术执行变转速诊断任务成为一个水到渠成的方式。指纹特征识别，用于声发射形流分析，旨在从原始信号分割出故障脉冲并可视化其周期性。它在实际工程领域中为轴承在线监测提供了一个启发性的框架。然而，当处理更广转速范围、强背景噪声和早期微弱故障等难题时，该在线监测策略的效果受到一定的影响。


技术实现要素：

5.本发明的目的在于提供一种基于信号分割网络和指纹特征的轴承故障诊断方法及系统，可以在多变转速工况下实现高精度的故障诊断。
6.一种基于信号分割网络和指纹特征的轴承故障诊断方法，其包括：
7.s1，获取历史声发射数据集，并基于所述历史声发射数据集构建信号分割网络；所述信号分割网络包括一个用作收缩路径的编码器和一个用作对称扩展路径的解码器；所述编码器包括若干个第一卷积模块，所述解码器包括若干个第二卷积模块；
8.所述第一卷积模块和所述第二卷积模块均包括依次连接的第一卷积层、第一标准化层、第一激活层、第二卷积层、第二标准化层和第二激活层；
9.各所述第一卷积模块之间通过池化层连接，所述池化层用于进行最大池化运算下采样；各所述第二卷积模块之间通过上采样层连接，所述上采样层用于进行上采样卷积；
10.所述编码器和所述解码器之间通过拼接模块连接；
11.s2，基于所述历史声发射数据集对所述信号分割网络进行训练，得到训练好的所述信号分割网络；
12.s3，对待测轴承的进行信号采集，得到声发射信号；将所述声发射信号输入到训练好的所述信号分割网络中，得到分割信号；
13.s4，将所述分割信号中大于或等于筛选阈值的部分作为冲击部分，将所述分割信号中小于所述筛选阈值的部分作为背景部分；
14.s5，将所述分割信号中当前冲击部分的开始时间与上一冲击部分的开始时间作为脉冲时间间隔，将脉冲时间间隔作为纵坐标，将时间作为横坐标，绘制故障指纹特征图；
15.s6，基于所述故障指纹特征图对待测轴承进行故障诊断。
16.优选地，将所述历史声发射数据集分为训练集和测试集，使用所述训练集对所述信号分割网络进行迭代训练，所述信号分割网络每次进行迭代训练之后，基于所述测试集进行测试，并基于加权交并比损失函数计算其损失值，若所述损失值大于或等于损失设定值，则继续进行迭代训练，若所述损失值小于损失设定值，则得到训练好的所述信号分割网络；所述加权交并比损失函数如下式：
[0017][0018]
式中：wiou表示损失值，c代表类别的总数，在轴承故障诊断中，信号分为噪声部分和冲击部分，所以设定为2，p
ij
代表将i类预测为j类的概率，p
ii
代表将i类预测为i类的概率，p
ji
代表将j类预测为i类的概率，ωi表示类别级别的权重，ni表示第i类的总像素数。
[0019]
优选地，所述筛选阈值获取步骤如下：
[0020]
计算所述分割信号的信号强度，基于所述信号强度确定筛选阈值；
[0021]
信号强度计算公式如下：
[0022][0023]
式中：asl
db
表示信号强度，n为分割信号的长度，x(n)表示分割信号的第n个数据点，1μ表示分贝参考单位。
[0024]
优选地，s6具体为：
[0025]
计算所述故障指纹特征图中任意两点之间的欧几里得距离，并按照降序进行排列，得到距离数据集；
[0026]
基于所述距离数据集计算每个点的局部密度，并将局部密度大于密度设定值的点作为初始聚类中心点；
[0027]
若两个初始聚类中心点之间的欧几里得距离大于距离设定值，则保留这两个初始聚类中心点，若两个初始聚类中心点之间的欧几里得距离小于或等于所述距离设定值，则舍弃任意一个初始聚类中心点并保留另一个初始聚类中心点，得到最终的聚类中心点集；
[0028]
基于所述聚类中心点集对所述故障指纹特征图中的每个点进行聚类，得到聚类结果；
[0029]
计算聚类结果中每一类的平均值和方差；
[0030]
若每一类的平均值呈倍数关系，且任意一类的方差小于方差设定值，则待测轴承发生故障，否则待测轴承未发生故障。
[0031]
本发明还提供了一种基于信号分割网络和指纹特征的轴承故障诊断系统，其包括：
[0032]
数据网络模块，用于获取历史声发射数据集，并基于所述历史声发射数据集构建信号分割网络；所述信号分割网络包括一个用作收缩路径的编码器和一个用作对称扩展路径的解码器；所述编码器包括若干个第一卷积模块，所述解码器包括若干个第二卷积模块；
[0033]
所述第一卷积模块和所述第二卷积模块均包括依次连接的第一卷积层、第一标准化层、第一激活层、第二卷积层、第二标准化层和第二激活层；
[0034]
各所述第一卷积模块之间通过池化层连接，所述池化层用于进行最大池化运算下采样；各所述第二卷积模块之间通过上采样层连接，所述上采样层用于进行上采样卷积；
[0035]
所述编码器和所述解码器之间通过拼接模块连接；
[0036]
网络训练模块，用于基于所述历史声发射数据集对所述信号分割网络进行训练，得到训练好的所述信号分割网络；
[0037]
数据采集分割模块，用于对待测轴承的进行信号采集，得到声发射信号；将所述声发射信号输入到训练好的所述信号分割网络中，得到分割信号；
[0038]
数据筛选模块，用于将所述分割信号中大于或等于筛选阈值的部分作为冲击部分，将所述分割信号中小于所述筛选阈值的部分作为背景部分；
[0039]
指纹特征模块，用于将所述分割信号中当前冲击部分的开始时间与上一冲击部分的开始时间作为脉冲时间间隔，将脉冲时间间隔作为纵坐标，将时间作为横坐标，绘制故障指纹特征图；
[0040]
故障诊断模块，用于基于所述故障指纹特征图对待测轴承进行故障诊断。
[0041]
优选地，将所述历史声发射数据集分为训练集和测试集，使用所述训练集对所述信号分割网络进行迭代训练，所述网络训练模块基于所述训练集对所述信号分割网络进行迭代训练，每次进行迭代训练之后，基于所述测试集进行测试，并基于加权交并比损失函数计算其损失值，若所述损失值大于或等于损失设定值，则继续进行迭代训练，若所述损失值小于损失设定值，则得到训练好的所述信号分割网络；所述加权交并比损失函数如下式：
[0042][0043]
式中：wiou表示损失值，c代表类别的总数，在轴承故障诊断中，信号分为噪声部分和冲击部分，所以设定为2，p
ij
代表将i类预测为j类的概率，p
ii
代表将i类预测为i类的概率，p
ji
代表将j类预测为i类的概率，ωi表示类别级别的权重，ni表示第i类的总像素数。
[0044]
优选地，所述筛选阈值获取步骤如下：
[0045]
计算所述分割信号的信号强度，并基于所述信号强度确定筛选阈值；
[0046]
信号强度计算公式如下：
[0047]
[0048]
式中：asl
db
表示信号强度，n为分割信号的长度，x(n)表示分割信号的第n个数据点，1μ表示分贝参考单位。
[0049]
优选地，故障诊断模块具体为：
[0050]
计算所述故障指纹特征图中任意两点之间的欧几里得距离，并按照降序进行排列，得到距离数据集；
[0051]
基于所述距离数据集计算每个点的局部密度，并将局部密度大于密度设定值的点作为初始聚类中心点；
[0052]
若两个初始聚类中心点之间的欧几里得距离大于距离设定值，则保留这两个初始聚类中心点，若两个初始聚类中心点之间的欧几里得距离小于或等于所述距离设定值，则舍弃任意一个初始聚类中心点并保留另一个初始聚类中心点，得到最终的聚类中心点集；
[0053]
基于所述聚类中心点集对所述故障指纹特征图中的每个点进行聚类，得到聚类结果；
[0054]
计算聚类结果中每一类的平均值和方差；
[0055]
若每一类的平均值呈倍数关系，且任意一类的方差小于方差设定值，则待测轴承发生故障，否则待测轴承未发生故障。
[0056]
本发明的效果如下：
[0057]
本发明基于信号分割网络和指纹特征的轴承故障诊断方法考虑了实际轴承故障声发射信号特性，包含宽频响应引起的电磁噪声等多种因素。
[0058]
本发明基于信号分割网络和指纹特征的轴承故障诊断方法提出了多变转速条件下基于语义分割的故障诊断框架，将信号分割网络纳入指纹特征诊断算法，有效提升了方法的适应性和准确性。
[0059]
本发明基于信号分割网络和指纹特征的轴承故障诊断方法，采用了后处理聚类算法，以提高指纹特征结果的可视化程度。
附图说明
[0060]
图1是本发明基于信号分割网络和指纹特征的轴承故障诊断方法流程图；
[0061]
图2为本发明实施例中试验台结构示意图；
[0062]
图3为本发明实施例中采集的声发射信号；
[0063]
图4为本发明实施例中采集的声发射信号的时频表达；
[0064]
图5为本发明实施例中信号分割网络的结构示意图；
[0065]
图6为本发明实施例中应用信号分割网络得出的分割信号示意图；
[0066]
图7为本发明实施例中故障指纹特征图；
[0067]
图8为本发明应用多中心密度峰值聚类算法指纹聚类结果示意图；
[0068]
图9为实施例中本发明方法和基于门槛值的算法效果对比示意图。
具体实施方式
[0069]
以下，参照附图对本发明的实施方式进行说明。
[0070]
图1是本发明基于信号分割网络和指纹特征的轴承故障诊断方法流程。如图1所示，本发明提供了一种基于信号分割网络和指纹特征的轴承故障诊断方法，其包括：
[0071]
步骤s1，获取历史声发射数据集，并基于历史声发射数据集构建信号分割网络。对历史声发射数据集依次进行高频采样、截断及去均值处理之后，按照长度为6000进行分割，得到若干个训练集和测试集。
[0072]
如图5所示，信号分割网络包括一个用作收缩路径的编码器和一个用作对称扩展路径的解码器；编码器包括若干个第一卷积模块，解码器包括若干个第二卷积模块。编码器部分记录了时间序列数据的全局背景和属性，而解码器部分则恢复每个数据点的个体类别信息。
[0073]
第一卷积模块和第二卷积模块均包括依次连接的第一卷积层、第一标准化层、第一激活层、第二卷积层、第二标准化层和第二激活层。本实施例中，第一卷积层和第二卷积层的参数如下：卷积核尺寸为3
×
1,卷积数目为32,步幅为3，填充尺寸为1。
[0074]
为了收集上下文信息，各第一卷积模块之间通过池化层连接，池化层用于进行最大池化运算下采样；最大池化运算的池化区域尺寸为2
×
1。
[0075]
为了恢复输出的长度，各第二卷积模块之间通过上采样层连接，上采样层用于进行上采样卷积。
[0076]
为了在语义分割中提供足够的分辨率，同时使信号分割网络能够捕获深浅层次的特征，编码器和解码器之间通过拼接模块连接。
[0077]
步骤s2，基于历史声发射数据集对信号分割网络进行训练，得到训练好的信号分割网络。具体地，基于训练集对信号分割网络进行迭代训练，每次进行迭代训练之后，基于测试集进行测试，并基于加权交并比损失函数计算其损失值，若损失值大于或等于损失设定值，则继续进行迭代训练，若损失值小于损失设定值，则得到训练好的信号分割网络；加权交并比损失函数如下式：
[0078][0079]
式中：wiou表示损失值，c代表类别的总数，在轴承故障诊断中，信号分为噪声部分和冲击部分，所以设定为2，p
ij
代表将i类预测为j类的概率，p
ii
代表将i类预测为i类的概率，p
ji
代表将j类预测为i类的概率，ωi表示类别级别的权重，ni表示第i类的总像素数。
[0080]
由于本发明中交并比损失函数设置有ωi，赋予冲击部分更大的权重；相应的，赋予背景部分较小的权重，可以很好的对背景部分进行抑制，以突出冲击部分。
[0081]
步骤s3，对待测轴承的进行信号采集，得到声发射信号；将声发射信号输入到训练好的信号分割网络中，得到分割信号。信号分割网络对声发射信号中的背景部分进行了抑制，以突出冲击部分。
[0082]
步骤s4，将分割信号中大于或等于筛选阈值的部分作为冲击部分，将分割信号中小于筛选阈值的部分作为背景部分。本实施例中，将信号强度加15db作为筛选阈值，每20000个数据点作为一个长度进行一次步骤s4。
[0083]
信号强度计算公式如下：
[0084]
[0085]
式中：asl
db
表示信号强度，n为分割信号的长度，x(n)表示分割信号的第n个数据点，1μ表示分贝参考单位。
[0086]
步骤s5，将分割信号中当前冲击部分的开始时间与上一冲击部分的开始时间作为脉冲时间间隔，将脉冲时间间隔作为纵坐标，将时间作为横坐标，绘制故障指纹特征图。由于计算出来的统计结果模式类似于人的指纹，所以称为故障指纹特征。
[0087]
步骤s6，基于故障指纹特征图对待测轴承进行故障诊断。
[0088]
具体地，步骤s6使用多中心密度峰值聚类算法对待测轴承进行故障诊断，步骤s6具体为：
[0089]
计算故障指纹特征图中任意两点之间的欧几里得距离，并按照降序进行排列，得到距离数据集。
[0090]
基于距离数据集计算每个点的局部密度，并将局部密度大于密度设定值的点作为初始聚类中心点。局部密度计算公式如下：
[0091][0092]
式中：ρi表示第i个数据点的局部密度，yi表示故障指纹特征图中第i个点，dc是截止距离，pct为设定参数，q为距离数据集中距离数据的数量。
[0093]
若两个初始聚类中心点之间的欧几里得距离大于距离设定值，则保留这两个初始聚类中心点，若两个初始聚类中心点之间的欧几里得距离小于或等于距离设定值，则舍弃任意一个初始聚类中心点并保留另一个初始聚类中心点，得到最终的聚类中心点集。
[0094]
基于聚类中心点集对故障指纹特征图中的每个点进行聚类，得到聚类结果。
[0095]
计算聚类结果中每一类的平均值和方差。
[0096]
若每一类的平均值呈倍数关系，且任意一类的方差小于方差设定值，则待测轴承发生故障，否则待测轴承未发生故障。
[0097]
实施例一
[0098]
以某滚动轴承试验台为例。如图2所示，试验台包括驱动电机1、转速扭矩测量模块2、联轴器3、支撑轴承4、液压加载系统5、测试轴承座6、力传感器7、测试轴承8和声发射传感器9。其中驱动电机1额定电压为380v，额定功率为3kw，额定转速为3000rpm，额定转矩9.55n
·
m。转速扭矩测量模块2用于测量实际转速和扭矩。一组联轴器3和一组支撑轴承4组成整个测试平台的连接支撑模块。通过液压加载系统5向可上下移动的测试轴承座6施加径向载荷，力传感器用于测量载荷大小。测试轴承8可更换不同待测轴承进行测试。测试中通过声发射传感器9采集声发射信号。测试轴承8的具体参数：轴承类型为圆柱滚子轴承，轴承节径为42.5mm，滚子个数为15，滚子直径为6.6mm，接触角为0
°
。轴承的故障位置置于外圈，故障类型为轻微剥落1.5mm。实施例中驱动电机1转速变化范围为500至800rpm，先由500rpm加速至800rpm，再降速至500rpm，且在600rpm和700rpm保持一段时间。声发射采样频率设置为200khz，前置放大器选择40db。
[0099]
采集得到的声发射信号如图3所示，其时频表达如图4所示，发现其中存在大量由于驱动电机产生的电磁干扰，其幅值淹没了可能存在的故障冲击。
[0100]
得到的分割信号如图6所示，从图6中可以看出，声发射信号被分割成了冲击部分
和背景噪声部分。
[0101]
得到的故障指纹特征图如图7所示，聚类结果如图8所示。
[0102]
将本发明的方法与仅用门槛值判断指纹特征的方法作对比，得到聚类结果如图9所示，图9(a)表示应用本发明的方法得到的聚类结果，图9(c)表示仅用门槛值判断指纹特征的方法得到的聚类结果，图9(b)表示应用本发明的方法得到的聚类结果进行可视化示意图，图9(d)表示仅用门槛值判断指纹特征的方法得到的聚类结果进行可视化示意图，从图9中可以看出，本发明的方法可以形成比较清晰的故障指纹特征，而仅用门槛值判断指纹特征的方法，虽然在高速区域可以观察到一些指纹特征，但其在低速区域的效果不佳，对故障脉冲的误判会导致图案的模糊性。
[0103]
本发明还提供了一种基于信号分割网络和指纹特征的轴承故障诊断系统，其包括：
[0104]
数据网络模块，用于获取历史声发射数据集，并基于历史声发射数据集构建信号分割网络；信号分割网络包括一个用作收缩路径的编码器和一个用作对称扩展路径的解码器；编码器包括若干个第一卷积模块，解码器包括若干个第二卷积模块。
[0105]
第一卷积模块和第二卷积模块均包括依次连接的第一卷积层、第一标准化层、第一激活层、第二卷积层、第二标准化层和第二激活层。
[0106]
各第一卷积模块之间通过池化层连接，池化层用于进行最大池化运算下采样；各第二卷积模块之间通过上采样层连接，上采样层用于进行上采样卷积。
[0107]
编码器和解码器之间通过拼接模块连接。
[0108]
网络训练模块，用于基于历史声发射数据集对信号分割网络进行训练，得到训练好的信号分割网络。
[0109]
数据采集分割模块，用于对待测轴承的进行信号采集，得到声发射信号；将声发射信号输入到训练好的信号分割网络中，得到分割信号。
[0110]
数据筛选模块，用于将分割信号中大于或等于筛选阈值的部分作为冲击部分，将分割信号中小于筛选阈值的部分作为背景部分。
[0111]
指纹特征模块，用于将分割信号中当前冲击部分的开始时间与上一冲击部分的开始时间作为脉冲时间间隔，将脉冲时间间隔作为纵坐标，将时间作为横坐标，绘制故障指纹特征图。
[0112]
故障诊断模块，用于基于故障指纹特征图对待测轴承进行故障诊断。
[0113]
可选地，将历史声发射数据集分为训练集和测试集，使用训练集对信号分割网络进行迭代训练，网络训练模块基于训练集对信号分割网络进行迭代训练，每次进行迭代训练之后，基于测试集进行测试，并基于加权交并比损失函数计算其损失值，若损失值大于或等于损失设定值，则继续进行迭代训练，若损失值小于损失设定值，则得到训练好的信号分割网络；加权交并比损失函数如下式：
[0114][0115]
式中：wiou表示损失值，c代表类别的总数，在轴承故障诊断中，信号分为噪声部分和冲击部分，所以设定为2，p
ij
代表将i类预测为j类的概率，p
ii
代表将i类预测为i类的概
率，p
ji
代表将j类预测为i类的概率，ωi表示类别级别的权重，ni表示第i类的总像素数。
[0116]
可选地，筛选阈值获取步骤如下：
[0117]
计算分割信号的信号强度，并基于信号强度确定筛选阈值；
[0118]
信号强度计算公式如下：
[0119][0120]
式中：asl
db
表示信号强度，n为分割信号的长度，x(n)表示分割信号的第n个数据点，1μ表示分贝参考单位。
[0121]
可选地，故障诊断模块具体为：
[0122]
计算故障指纹特征图中任意两点之间的欧几里得距离，并按照降序进行排列，得到距离数据集。
[0123]
基于距离数据集计算每个点的局部密度，并将局部密度大于密度设定值的点作为初始聚类中心点。
[0124]
若两个初始聚类中心点之间的欧几里得距离大于距离设定值，则保留这两个初始聚类中心点，若两个初始聚类中心点之间的欧几里得距离小于或等于距离设定值，则舍弃任意一个初始聚类中心点并保留另一个初始聚类中心点，得到最终的聚类中心点集。
[0125]
基于聚类中心点集对故障指纹特征图中的每个点进行聚类，得到聚类结果。
[0126]
计算聚类结果中每一类的平均值和方差。
[0127]
若每一类的平均值呈倍数关系，且任意一类的方差小于方差设定值，则待测轴承发生故障，否则待测轴承未发生故障。
[0128]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种基于信号分割网络和指纹特征的轴承故障诊断方法，其特征在于，其包括：s1，获取历史声发射数据集，并基于所述历史声发射数据集构建信号分割网络；所述信号分割网络包括一个用作收缩路径的编码器和一个用作对称扩展路径的解码器；所述编码器包括若干个第一卷积模块，所述解码器包括若干个第二卷积模块；所述第一卷积模块和所述第二卷积模块均包括依次连接的第一卷积层、第一标准化层、第一激活层、第二卷积层、第二标准化层和第二激活层；各所述第一卷积模块之间通过池化层连接，所述池化层用于进行最大池化运算下采样；各所述第二卷积模块之间通过上采样层连接，所述上采样层用于进行上采样卷积；所述编码器和所述解码器之间通过拼接模块连接；s2，基于所述历史声发射数据集对所述信号分割网络进行训练，得到训练好的所述信号分割网络；s3，对待测轴承的进行信号采集，得到声发射信号；将所述声发射信号输入到训练好的所述信号分割网络中，得到分割信号；s4，将所述分割信号中大于或等于筛选阈值的部分作为冲击部分，将所述分割信号中小于所述筛选阈值的部分作为背景部分；s5，将所述分割信号中当前冲击部分的开始时间与上一冲击部分的开始时间作为脉冲时间间隔，将脉冲时间间隔作为纵坐标，将时间作为横坐标，绘制故障指纹特征图；s6，基于所述故障指纹特征图对待测轴承进行故障诊断。2.根据权利要求1所述的基于信号分割网络和指纹特征的轴承故障诊断方法，其特征在于，将所述历史声发射数据集分为训练集和测试集，使用所述训练集对所述信号分割网络进行迭代训练，所述信号分割网络每次进行迭代训练之后，基于所述测试集进行测试，并基于加权交并比损失函数计算其损失值，若所述损失值大于或等于损失设定值，则继续进行迭代训练，若所述损失值小于损失设定值，则得到训练好的所述信号分割网络；所述加权交并比损失函数如下式：式中：wiou表示损失值，c代表类别的总数，在轴承故障诊断中，信号分为噪声部分和冲击部分，所以设定为2，p
ij
代表将i类预测为j类的概率，p
ii
代表将i类预测为i类的概率，p
ji
代表将j类预测为i类的概率，ω
i
表示类别级别的权重，n
i
表示第i类的总像素数。3.根据权利要求1所述的基于信号分割网络和指纹特征的轴承故障诊断方法，其特征在于，所述筛选阈值获取步骤如下：计算所述分割信号的信号强度，基于所述信号强度确定筛选阈值；信号强度计算公式如下：式中：asl
db
表示信号强度，n为分割信号的长度，x(n)表示分割信号的第n个数据点，1μ
表示分贝参考单位。4.根据权利要求1所述的基于信号分割网络和指纹特征的轴承故障诊断方法，其特征在于，s6具体为：计算所述故障指纹特征图中任意两点之间的欧几里得距离，并按照降序进行排列，得到距离数据集；基于所述距离数据集计算每个点的局部密度，并将局部密度大于密度设定值的点作为初始聚类中心点；若两个初始聚类中心点之间的欧几里得距离大于距离设定值，则保留这两个初始聚类中心点，若两个初始聚类中心点之间的欧几里得距离小于或等于所述距离设定值，则舍弃任意一个初始聚类中心点并保留另一个初始聚类中心点，得到最终的聚类中心点集；基于所述聚类中心点集对所述故障指纹特征图中的每个点进行聚类，得到聚类结果；计算聚类结果中每一类的平均值和方差；若每一类的平均值呈倍数关系，且任意一类的方差小于方差设定值，则待测轴承发生故障，否则待测轴承未发生故障。5.一种基于信号分割网络和指纹特征的轴承故障诊断系统，其特征在于，其包括：数据网络模块，用于获取历史声发射数据集，并基于所述历史声发射数据集构建信号分割网络；所述信号分割网络包括一个用作收缩路径的编码器和一个用作对称扩展路径的解码器；所述编码器包括若干个第一卷积模块，所述解码器包括若干个第二卷积模块；所述第一卷积模块和所述第二卷积模块均包括依次连接的第一卷积层、第一标准化层、第一激活层、第二卷积层、第二标准化层和第二激活层；各所述第一卷积模块之间通过池化层连接，所述池化层用于进行最大池化运算下采样；各所述第二卷积模块之间通过上采样层连接，所述上采样层用于进行上采样卷积；所述编码器和所述解码器之间通过拼接模块连接；网络训练模块，用于基于所述历史声发射数据集对所述信号分割网络进行训练，得到训练好的所述信号分割网络；数据采集分割模块，用于对待测轴承的进行信号采集，得到声发射信号；将所述声发射信号输入到训练好的所述信号分割网络中，得到分割信号；数据筛选模块，用于将所述分割信号中大于或等于筛选阈值的部分作为冲击部分，将所述分割信号中小于所述筛选阈值的部分作为背景部分；指纹特征模块，用于将所述分割信号中当前冲击部分的开始时间与上一冲击部分的开始时间作为脉冲时间间隔，将脉冲时间间隔作为纵坐标，将时间作为横坐标，绘制故障指纹特征图；故障诊断模块，用于基于所述故障指纹特征图对待测轴承进行故障诊断。6.根据权利要求5所述的基于信号分割网络和指纹特征的轴承故障诊断系统，其特征在于，将所述历史声发射数据集分为训练集和测试集，使用所述训练集对所述信号分割网络进行迭代训练，所述网络训练模块基于所述训练集对所述信号分割网络进行迭代训练，每次进行迭代训练之后，基于所述测试集进行测试，并基于加权交并比损失函数计算其损失值，若所述损失值大于或等于损失设定值，则继续进行迭代训练，若所述损失值小于损失设定值，则得到训练好的所述信号分割网络；所述加权交并比损失函数如下式：
式中：wiou表示损失值，c代表类别的总数，在轴承故障诊断中，信号分为噪声部分和冲击部分，所以设定为2，p
ij
代表将i类预测为j类的概率，p
ii
代表将i类预测为i类的概率，p
ji
代表将j类预测为i类的概率，ω
i
表示类别级别的权重，n
i
表示第i类的总像素数。7.根据权利要求5所述的基于信号分割网络和指纹特征的轴承故障诊断系统，其特征在于，所述筛选阈值获取步骤如下：计算所述分割信号的信号强度，并基于所述信号强度确定筛选阈值；信号强度计算公式如下：式中：asl
db
表示信号强度，n为分割信号的长度，x(n)表示分割信号的第n个数据点，1μ表示分贝参考单位。8.根据权利要求5所述的基于信号分割网络和指纹特征的轴承故障诊断系统，其特征在于，故障诊断模块具体为：计算所述故障指纹特征图中任意两点之间的欧几里得距离，并按照降序进行排列，得到距离数据集；基于所述距离数据集计算每个点的局部密度，并将局部密度大于密度设定值的点作为初始聚类中心点；若两个初始聚类中心点之间的欧几里得距离大于距离设定值，则保留这两个初始聚类中心点，若两个初始聚类中心点之间的欧几里得距离小于或等于所述距离设定值，则舍弃任意一个初始聚类中心点并保留另一个初始聚类中心点，得到最终的聚类中心点集；基于所述聚类中心点集对所述故障指纹特征图中的每个点进行聚类，得到聚类结果；计算聚类结果中每一类的平均值和方差；若每一类的平均值呈倍数关系，且任意一类的方差小于方差设定值，则待测轴承发生故障，否则待测轴承未发生故障。

技术总结
本发明提供一种基于信号分割网络和指纹特征的轴承故障诊断方法及系统，涉及轴承故障诊断技术领域，首先构建信号分割网络并基于历史数据集进行训练，得到训练好的信号分割网络；然后对待测轴承进行信号采集，并基于训练好的信号分割网络进行分割，得到分割信号；再基于筛选阈值将分割信号分为冲击部分和背景部分，并基于冲击部分构建故障指纹特征图，最后基于故障指纹特征图对待测轴承进行故障诊断。本发明可以在多变转速工况下实现高精度的故障诊断。故障诊断。故障诊断。


技术研发人员：林京 刘宗阳 李豪 焦金阳 沈田 张博瑶 刘翰扬
受保护的技术使用者：北京航空航天大学
技术研发日：2023.06.30
技术公布日：2023/9/23