(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210659312.8 (22)申请日 2022.06.13 (65)同一申请的已公布的文献号 申请公布号 CN 114742115 A (43)申请公布日 2022.07.12 (73)专利权人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 111号 (72)发明人 宋冬利　徐潇　王梓帆　 (74)专利代理 机构 成都华飞知识产权代理事务 所(普通合伙) 51281 专利代理师 徐鸿 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G01M 13/045(2019.01) G01D 21/02(2006.01) (56)对比文件 CN 108073158 A,2018.0 5.25CN 21279195 5 U,2021.0 3.26 CN 109902393 A,2019.0 6.18 CN 112836941 A,2021.0 5.25 CN 112577743 A,2021.0 3.30 CN 103940608 A,2014.07.23 CN 10483 3534 A,2015.08.12 CN 109164343 A,2019.01.08 CN 103471841 A,2013.12.25 黄国荣等.基于PCA和KN N的电主轴故障诊断 方法研究. 《上海第二工业大 学学报》 .2018,第3 5 卷(第4期), Zheng Z等.A fault dia gnosis method of bogie axle box beari ng based o n spectrum whitening demodulati on. 《Sensors》 .2020,第 20卷(第24期), 陈志刚等.改进集成深层自编码器在轴承故 障诊断中的应用. 《控制与决策》 .2021,第3 6卷 (第1期), (续) 审查员 乔君 (54)发明名称 滚动轴承故障诊断模型的构建方法及诊断 方法 (57)摘要 本发明涉及新一代信息技术领域， 具体涉及 一种滚动轴承故障诊断模型的构建方法及诊断 方法， 将轴承振动信号和温度信号同时作为轴承 故障诊断的依据， 将温度特征与振动特征依次作 为模型的输入， 通过主成分分析方法提取深层特 征并实现特征降维， 经实例验证， 相较于仅使用 温度信号或仅使用振动信号的轴承故障诊断方 法， 本发明提出的温振特征融合的滚动轴承故障 诊断方法提高了滚动轴承故障诊断的准确率， 可 保证设备平稳安全的运行， 同时， 本发明在温度 特征的提取中引入了自编码器间接提取温度范 数特征， 对其它基于温度信号的部件故障诊断技术具有参 考意义。 [转续页] 权利要求书5页 说明书13页 附图5页 CN 114742115 B 2022.08.19 CN 114742115 B (56)对比文件 Xia M等.I ntelligent fault dia gnosis approach with unsupervised feature learning by stacked den oising autoencoder. 《IET Science, Measurement & Technology》 .2017,第1 1卷(第6期), Ma J等.Ro lling beari ng fault diagnosis based o n deep learn ing and autoencoder i nformati on. 《Symmetry》 .2021,第14卷(第1期), 陈之恒等.基 于EMD及改进P SO＿BP的电机轴 承故障诊断. 《测控技 术》 .2020,第39卷(第1 1 期), Liu Lei等.Fault Pat tern Recogn ition of Axle Box Beari ngs for High -speed EMU Based on Onboard Real-time Temperature Data. 《2019 Progn ostics and System Health Management Co nference (PH M-Qingdao》 .2019,2/2 页 2[接上页] CN 114742115 B1.一种滚动轴承故障诊断模型的构建方法， 其特征在于， 基于自编码器模型、 主成分分 析算法和K最近邻算法， 通过包括以下步骤的方法建立滚动轴承故障诊断模型， 步骤S100： 分别获取轴承的温度特 征向量和振动特 征向量； 获取温度特 征向量的过程具体包括： （1） 收集轴承温度信号数据， 并筛分为正常轴承的温度信号数据和故障模式下的温度 信号数据， 对故障模式下的温度信号数据进行切片处理， 形成样本长度为 m的数据集A1； 对 正常轴承的温度信号数据进行切片处理， 形成样本长度为 m的数据集A2， 然后从数据集A2中 随机选取60%~80%的数据作为训练集， 剩下的数据作为测试集， 训练正常轴承温度信号重构 模型； （2） 依次将数据集A1中各样本作为待检测信号输入正常轴承温度信号重构模型中进行 重构， 得到数据集A1中各样本相应的重构信号； （3） 量化数据集A1中各样本的重构误差， 得到温度范 数特征T2； （4） 使用规定时间段内的最大温升率 Tmr反馈轴承服役状态， 结合温度范数特征 T2与原 始温度信号 X， 形成温度特征向量Xtemp， 式中：xi为原始温度信号 X中的第i个时序数据， i=1、 2、 3、…、 m； 获取振动特征向量的过程具体包括， 收集轴承振动加速度信号数据， 提取其时域信号 的均值p1、 方差p2、 峰值p3、 最小值p4、 峰‑峰值p5、 峭度系数 p6、 偏度系数 p7、 均方根p8、 波形因 子p9、 峰值因子 p10、 脉冲因子 p11、 方根幅值 p12、 裕度因子 p13作为其振动特征， 形成振动特征 向量Yvib， 步骤S200： 利用主成分分析对温度特征向量和振动特征向量进行融合与降维， 得到降 维后的温振融合特 征Ztemp_vib； 步骤S300： 采用K最近邻算法对温振融合特征 Ztemp_vib进行轴承故障模式分类， 得到滚动 轴承故障诊断模型。 2.根据权利要求1所述的滚动轴 承故障诊断模型的构建方法， 其特征在于， 在获取温度 特征向量的过程中， 训练正常轴承温度信号重构模型， 具体包括： 步骤S110： 设置学习率 λ， 设定隐藏层神经元个数 N、 可接受代价函数值 Jmin和循环上限 ns， 初始化循环次数 n=0， 初始化代价函数值 J(w)， 初始化输入层至隐藏层的权值矩阵 W(1)、 偏置矩阵 b(1)， 初始化隐藏层至 输出层的权值矩阵 W(2)、 偏置矩阵 b(2)，权　利　要　求　书 1/5 页 2 CN 114742115 B 3