1.一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,其包括以下步骤:
(1)将振动位移传感器及振动速度传感器设置在旋转机械上,利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号;
(2)对采集到的所述振动信号进行多尺度小波分解,以得到小波灰度图;
(3)按照预先训练过的卷积神经网络的输入形式,对所述小波灰度图进行预处理;
(4)将预处理后的所述小波灰度图输入到所述卷积神经网络,所述卷积神经网络对接收到的所述小波灰度图进行分析诊断,以得到所述旋转机械的故障诊断结果。
2.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,其特征在于:所述振动位移传感器及所述振动速度传感器沿所述旋转机械的轴向或者径向设置;且两者以预定采样方式对所述旋转机械进行所述振动信号的采集。
3.如权利要求2所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,其特征在于:所述预定采样方式为同步整周期采样,其采样频率是所述旋转机械转速的2n倍,n为大于等于6的正整数。
4.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,其特征在于:对所述振动信号进行多尺度小波分解以得到小波灰度图的步骤如下:
(21)选择小波母函数Ψ(t),并根据小波母函数Ψ(t)生成不同尺度a下的连续小波
(22)在不同的尺度a下,对振动信号f(t)进行小波变换,即振动信号f(t)与小波函数ψa,b(t)的卷积即可得到多尺度小波分解结果;
(23)将所述分解结果排列起来,横轴表示信号的时间,纵轴表示尺度;
(24)把排列内的每个点的小波系数由灰度值代替,以得到振动信号的小波灰度图。
5.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,其特征在于:所述卷积神经网络的训练过程包括以下步骤:
(1)对所述旋转机械进行故障实验,对不同的故障实验分别采集振动信号,以得到多组不同的故障信号;
(2)对多组所述故障信号进行多尺度小波分解,得到小波灰度图;
(3)对所述小波灰度图进行预处理,以得到所述卷积神经网络的输入图像,同时根据故障种类,构造对应的输出矩阵;
(4)设置所述卷积神经网络的参数,将输入图像及输出矩阵输入所述卷积神经网络进行训练,以得到用于所述旋转机械故障诊断的卷积神经网络。
6.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,其特征在于:所述卷积神经网络包括第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接神经网络,所述第一卷积层、所述第一下采样层、所述第二卷积层、所述第二下采样层及所述全连接神经网络依次相连接。