轴承故障诊断方法及装置、可读存储介质及电子设备与流程

本发明涉及轴承故障检测领域，尤其涉及一种轴承故障诊断方法及装置、可读存储介质及电子设备。

背景技术：

轴承是机械设备中的基础零部件，已经广泛应用于列车等设备上。轴承的运行状态对列车的行驶安全起着至关重要的作用，因此，对轴承故障进行诊断尤为重要。

在现有技术中，在对轴承故障进行诊断时，通常是由数据分析人员观察解调后的时域振动加速度信号的包络谱波形进行主观判断，需要有相关理论背景的数据分析人员对数据进行分析，主观性较高。虽然现有技术中也出现了使用神经网络理论来对轴承故障进行诊断的方法，但是对轴承故障进行诊断时的精确度较低。

技术实现要素：

本发明实施例解决的技术问题是如何提高轴承故障诊断的精确度。

为解决上述技术问题，本发明实施例提供一种轴承故障诊断方法，包括：采集处于工作状态的轴承的振动加速度信号；对所述轴承的振动加速度信号进行小波分解；从小波分解得到的信号中依次提取特征参数并构建特征向量；根据所述特征向量，构建特征矩阵；将所述特征矩阵输入至预先训练的神经网络模型；将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的的故障诊断结果。

可选的，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。

可选的，所述采集轴承的振动加速度信号，包括：采集轴承的时域振动加速度信号。

可选的，所述对所述轴承的振动加速度信号进行小波分解，包括：选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到n个频带的时域信号，其中，n＝2^j，j为小波分解的层次。

可选的，所述从小波分解得到的信号中依次提取特征参数并构建特征向量，包括：从所述n个频带的频域信号中依次提取特征参数，并构建特征向量。

可选的，所述根据所述特征向量，构建特征矩阵，包括：根据所述特征向量，构建特征矩阵；所述特征矩阵为m×n矩阵，m为所述特征向量的个数。

可选的，所述目标矩阵为m×k矩阵，k为所需诊断的所述轴承的部件数。

可选的，在对所述振动加速度信号进行小波分解之前，还包括：对所述振动加速度信号进行降噪处理。

可选的，所述对所述振动加速度信号进行降噪处理，包括：采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。

可选的，所述特征参数包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。

可选的，在将所述特征矩阵输入至预先生成的神经网络模型之前，还包括：对所述特征矩阵中的元素进行归一化处理。

可选的，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。

可选的，所述将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果，包括：将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。

本发明实施例还提供了一种轴承故障诊断装置，包括：采集单元，用于采集处于工作状态的轴承的振动加速度信号；小波分解单元，用于对所述轴承的振动加速度信号进行小波分解；特征向量构建单元，用于从小波分解得到的信号中依次提取特征参数并构建特征向量；特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；输入单元，用于将所述特征矩阵输入至预先训练的神经网络模型；故障诊断结果获取单元，用于将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。

可选的，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。

可选的，所述采集单元，用于采集轴承的时域振动加速度信号。

可选的，所述小波分解单元，用于选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到n个频带的时域信号，其中，n＝2^j，j为小波分解的层次。

可选的，所述特征向量构建单元，用于对所述n个频带的时域信号进行解调处理并进行时频转换，得到对应的n个频带的频域信号；从所述n个频带的频域信号中依次提取特征参数，并构建特征向量。

可选的，所述特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；所述特征矩阵为m×n矩阵，m为所述特征向量的个数。

可选的，所述目标矩阵为m×k矩阵，k为所需诊断的所述轴承的部件数。

可选的，所述轴承故障诊断装置还包括：降噪处理单元，用于在所述小波分解单元对所述振动加速度信号进行小波分解之前，对所述振动加速度信号进行降噪处理。

可选的，所述降噪处理单元，用于采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。

可选的，所述特征参数包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。

可选的，所述轴承故障诊断装置包括：归一化处理单元，用于在所述输入单元将所述特征矩阵输入至预先生成的神经网络模型之前，对所述特征矩阵中的元素进行归一化处理。

可选的，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。

可选的，所述故障诊断结果获取单元，用于将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的轴承故障诊断方法的步骤。

本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的轴承故障诊断方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

通过对采集到的轴承的振动加速度信号进行小波分解，从小波分解得到的信号中依次提取特征参数并构建特征向量，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，通过预先训练的神经网络模型对特征矩阵进行处理得到输出结果，将输出结果与预设的目标矩阵进行比对即可获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。

进一步，在对轴承的振动加速度信号进行小波分解之前，对振动加速度信号进行降噪处理，降低其他信号对振动加速度信号的干扰，从而可以进一步提高轴承故障诊断的精确度。

附图说明

图1是本发明实施例中的一种轴承故障诊断方法的流程图；

图2是本发明实施例中的一种小波分解的示意图；

图3是本发明实施例中的一种轴承故障诊断装置的结构示意图。

具体实施方式

现有技术中，在对轴承故障进行诊断时，通常是由数据分析人员观察解调后的时域振动加速度信号的包络谱波形进行主观判断，需要有相关理论背景的数据分析人员对数据进行分析，主观性较高。虽然现有技术中也出现了使用神经网络理论来对轴承故障进行诊断的方法，但是对轴承故障进行诊断时的精确度较低。

在本发明实施例中，通过对采集到的轴承的振动加速度信号进行小波分解，从小波分解得到的信号中依次提取特征参数并构建特征向量，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，通过预先训练的神经网络模型对特征矩阵进行处理得到输出结果，将输出结果与预设的目标矩阵进行比对即可获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

本发明实施例提供了一种轴承故障诊断方法，参照图1，以下通过具体步骤进行详细说明。

步骤s101，采集处于工作状态的轴承的振动加速度信号。

在具体实施中，在轴承处于工作状态时，可以从轴承所在的机械系统所对应的振动信号中，提取出轴承的振动加速度信号。

在实际应用中，轴承通常是一个机械系统中的组成部件。当机械系统处于工作状态时，可以采用预设的加速度传感器来实时采集机械系统的振动信号。加速度传感器可以内置于机械系统内部，也可以独立于机械系统设置。

加速度传感器所采集到的机械系统的振动信号中，包括轴承的振动加速度信号、机械系统中其他部件的振动加速度信号以及一些背景噪声。因此，在具体实施中，在通过加速度传感器采集到机械系统的振动信号之后，可以从中提取出轴承的振动加速度信号。

在具体实施中，也可以通过与轴承耦接的传感器来直接采集轴承的振动加速度信号。例如，预先设置与轴承耦接的传感器，当轴承工作时，通过传感器来实时采集轴承的振动加速度信号。

在具体实施中，无论是从机械系统的振动信号中提取出轴承的振动加速度信号，还是通过与轴承耦接的传感器直接采集轴承的振动加速度信号，所获取到的振动加速度信号中均可能混杂有其他的噪声。可理解地，本申请中采集的轴承的振动加速度信号是采集轴承在工作状况下对应的信号。

因此，在采集到处于工作状态的轴承的振动加速度信号之后，可以对轴承的振动加速度信号进行降噪处理，以降低轴承的振动加速度信号中的噪声。在具体实施中，可以采用小波阈值降噪方法，对轴承的振动加速度信号进行降噪处理。可以理解的是，还可以采用其他的降噪方法对轴承的振动加速度信号进行降噪处理，此处不做赘述。

步骤s102，对所述轴承的振动加速度信号进行小波分解。

在具体实施中，采集到的轴承的振动加速度信号可以为轴承的时域振动加速度信号，也可以为轴承的频域振动加速度信号。当采集到的轴承的振动加速度信号为轴承的时域振动加速度信号时，对轴承的时域振动加速度进行小波分解。当采集到的轴承的振动加速度信号为轴承的频域振动加速度信号时，对轴承的频域振动加速度信号进行小波分解。

在进行小波分解时，若对轴承的频域振动加速度信号进行分解，则可以选取波形与轴承的频域振动加速度信号的波形相关的小波母函数，对所选取的小波母函数进行小波分解；若对轴承的时域振动加速度信号进行分解，则可以选取波形与轴承的时域振动加速度信号的波形相关的小波母函数，对所选取的小波母函数进行分解。

下面以对轴承的时域振动加速度信号进行小波分解为例进行说明。

在具体实施中，选取波形与采集到的轴承的时域振动信号的波形相关的小波母函数。对选取的小波母函数进行小波分解，可以得到n个频带的时域信号，n＝2^j，j为小波分解的层次。

在具体应用中，可以根据实际的应用需求，来设定小波分解的阶次。在本发明一实施例中，设定j＝3，此时，对小波母函数进行小波分解后，得到8个频带宽度相同的时域信号。

参照图2，给出了本发明实施例中的一种小波分解的示意图。图2中，小波分解的层次j＝3。

图2中，信号s经过一层分解，得到信号sa1和信号sd1。对信号sa1进行分解，得到信号saa2和信号sda2；对信号sd1进行分解，得到信号sad2和信号sdd2。对信号saa2进行分解，得到信号s30以及s31；对信号sda2进行分解，得到信号s32以及s33；对信号sad2进行分解，得到信号s34以及s35；对信号sdd2进行分解，得到信号s36以及s37。

也就是说，信号s经过三层小波分解并重构之后，得到的第三层信号包括8个频带宽度相同的时域信号，依次为：s30、s31、s32、s33、s34、s35、s36以及s37。

在具体实施中，在选取小波母函数时，可以选择波形与轴承的振动加速度信号的波形相关的形状，波形相关可以是指：小波母函数的波形与轴承的振动加速度信号的波形较为相近，二者的近似度达到一定阈值。

例如，根据经验值，选取波形与轴承的时域振动加速度信号的波形相似的小波母函数。由于选取的小波母函数与轴承的时域振动加速度信号的波形相关，因此在对小波母函数进行小波分解后，n个频带相同的时域信号中与轴承的时域振动加速度信号相关的信号会被突出，与轴承的时域振动加速度信号无关的信号会被弱化。

在具体实施中，将n个频带的时域信号进行解调处理，若轴承的时域振动加速度信号中含有轴承故障带来的冲击频率成分，则对n个时域信号进行解调处理后，可以把轴承故障带来的冲击频率成分从高频载波信号中提取出来，解调后各个频带的时域信号的特征更明显。

在实际应用中可知，对时域信号进行时频转换得到频域信号后，频域上的波形的特征会比时域上的波形的特征更明显。因此，在对n个频带的时域信号进行解调处理后，对解调处理后的n个频带的时域信号进行时频转换，将n个频带的时域信号转换成相应的n个频带的频域信号。

在对n个频带的时域信号进行时频转换时，可以采用快速傅里叶变换(fastfouriertransformation，fft)的方法，得到n个频带对应的频域信号。

步骤s103，从小波分解得到的信号中依次提取特征参数并构建特征向量。

在具体实施中，从小波分解得到的信号中提取的特征参数可以包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。

在具体实施中，当对小波母函数进行小波分解得到n个频带的频域信号后，可以分别从n个频带的频域信号中，分别提取出相同的特征参数，以构建特征向量。构建的特征向量的数目与从每一个频带的频域信号中提取出的特征参数的个数相同，每一个特征向量中元素的个数与n相等。

例如，从每一个频带的频域信号中，均提取5个特征参数，且n＝8，则构建的特征向量的个数为5，且每一个特征向量中的元素个数为8。

在具体实施中，从n个频带的频域信号中依次提取的特征参数可以包括以下中的至少一种：每一个频带的频域信号的能量、每一个频带的频域信号的峰值因子、每一个频带的频域信号的标准差、每一个频带的频域信号的均方根以及每一个频带的频域信号的90分位值。

步骤s104，根据所述特征向量，构建特征矩阵。

在具体实施中，在通过步骤s103得到的特征向量后，即可构建相应的特征矩阵。

在具体实施中，当对小波母函数进行小波分解得到n个频带的频域信号后，可以分别从n个频带的频域信号中，分别提取出相同的特征参数，以构建特征向量。此时，构建得到的特征矩阵为m×n矩阵，m为得到的特征向量的个数。

例如，对时域振动加速度信号进行j＝3层的小波分解，则n＝8；针对每一个频带的频域信号，均提取出5个特征参数，则构建了5个特征向量。则构建出的特征矩阵为5×8矩阵，也即特征矩阵为5行8列的矩阵。

下面以n＝8为例，对步骤s103～步骤s104进行说明。

在实际应用中可知，根据小波包的重构理论，信号s可以由分解后的信号进行无误差的重新构造。根据能量守恒原理，时域上的能量转换到频域上的能量是等量的，因此，可以得到下式：

fs＝fs30+fs31+fs32+fs33+fs34+fs35+fs36+fs37；(1)

式(1)中，fs为时域振动加速度信号对应的频域振动加速度信号，fs30～fs37依次为时域信号s30～s37对应的频域信号。

设定第i个频带的频域信号对应的能量为e3i，则其中，i＝0,1,2,…,7，k＝1,2,…,n，xik为小波分解的第三层信号s3i的小波包系数值。由此，n个频带的频域信号对应的总能量为：第三层某一个频带的频域信号的相对小波包系数能量为

在得到每一个频带的频域信号对应的能量之后，可以构建出基于能量的特征向量为：r＝[r30，r31，…，r37]

在实际应用中可知，频域信号的峰值因子反映了频域信号中振动冲击成分的水平。

在具体实施中，第i个频带的频域信号的峰值因子为：其中，peak3i为第i个频带的频域信号的峰值，rms3i为第i个频带的频域信号的均方根值。

在得到每一个频带的频域信号对应的峰值因子之后，可以构建出基于峰值因子的特征向量为：c＝[c30，c31，...，c37]

在实际应用中可知，标准差反映了一个数组内数据的离散程度。当轴承发生故障时会产生冲击的现象，经过解调后各个频带的故障信号会有明显特征，因此标准差可以反映故障信号的特征。

在具体实施中，第i个频带的频域信号的标准差为：其中，l为第i个频带的频域信号的值的个数，xl为第i个频带的频域信号中第l个值，r为第i个频段的信号的平均值且

在得到每一个频带的频域信号的标准差之后，可以构建出基于标准差的特征向量为：σ＝[σ30，σ31，...，σ37]。

在实际应用中可知，均方根可以反映信号中能量的总体水平，因此可以将其作为轴承故障检测的一个特征参数。

在具体实施中，第i个频带的频域信号的均方根为：其中，l为第i个频带的频域信号的值的个数，xl为第i个频带的频域信号中第l个值。

在得到每一个频带的频域信号的均方根之后，可以构建出基于均方根的特征向量为：rms＝[rms30，rms31，…，rms37]。

在具体实施中，针对第i个频带的频域信号，取第i个频带的最大值的90分位值p3i。在得到每一个频带的频域信号对应的90分位值之后，可以构建出基于90分位值的特征向量为：p＝[p30，p31，…，p37]。

可以理解的是，从n个频带的频域信号中所提取出的特征参数并不仅限于本发明上述实施例中提供的几种，还可以存在其他的能够体现频域信号特征的特征参数，此处不做赘述。

在具体实施中，可以根据实际的应用需求，从步骤s103中生成的特征向量中，选择其中的一个或者多个来生成构建特征矩阵。例如，n＝8，从步骤s103中生成的特征向量中，选择基于能量的特征向量以及基于峰值因子的特征向量来构建特征矩阵，此时，特征矩阵为2×8矩阵。又如，n＝8，选择步骤s103中生成的所有特征向量构建特征矩阵，则构建出的特征矩阵为5×8矩阵。

步骤s105，将所述特征矩阵输入至预先训练的神经网络模型。

在具体实施中，可以预先生成神经网络模型并对其进行训练。在实际应用中，可以预先收集多组拟检测或诊断的已知故障的数据，对生成的神经网络模型进行训练。在训练过程中，生成的神经网络模型会根据输入的已知训练矩阵持续调整各层的权值，直到神经网络模型的误差满足所设定的最小误差为止。

在具体实施中，为加快神经网络模型的收敛特性，在特征矩阵输入至神经网络模型之前，对特征矩阵进行归一化处理。在对特征矩阵进行归一化处理时，可以从特征矩阵中选取出值最大的元素，并将其他的所有元素与选取出的最大元素相除，从而实现对特征矩阵的归一化处理。

步骤s106，将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。

下面对步骤s105～步骤s106进行说明。

在具体实施中，可以预先构建目标矩阵。预先构建的目标矩阵为m×k矩阵，k为所需诊断的所述轴承的部件数。

在实际应用中可知，轴承通常可以由外环(or)、内环(ir)、滚子(roller)以及保持架(cage)等四个部分组成。在实际应用中，神经网络模型的训练过程可以包括以下步骤：1)数据准备；将提取到的振动加速度信号、轴承的外环对应的故障信号特征矩阵、轴承的内环对应的故障信号特征矩阵、轴承的滚子对应的故障信号特征矩阵以及轴承保持架对应的故障信号特征矩阵作为神经网络的输入，并依据设定好的目标矩阵作为输出来对神经网络进行训练；2)训练神经网络模型；在训练神经网络模型的过程中，根据设定好的最小误差值，不断地对神经网络模型进行权值和阈值的修正，直至满足最小误差值。

在具体实施中，神经网络模型的训练所需的数据以及最小误差值的设置均可以故障诊断目标为导向，如是否产生故障、故障诊断的对象(指要诊断的轴承元件)、在不同工况下故障的严重程度等。

在具体实施中，设定k＝4。当k＝4时，可以设定目标矩阵如下：

在目标矩阵中，第一行为出现故障时轴承的外环对应的目标向量，第二行为出现故障时轴承的内环对应的目标向量，第三行为出现故障时轴承的滚子的外环对应的目标向量，第四行为出现故障时轴承的保持架对应的目标向量。

由于本发明实施例中构建的特征矩阵作为神经网络模型的输入，且特征矩阵为m×n矩阵，因此，可以对目标矩阵进行重新构造，将目标矩阵中的每一列均扩展为独立的一个m×k矩阵，从而得到k个目标矩阵，k个目标矩阵分别与k个部件一一对应。针对每一个m×k矩阵，其中的不同行的元素相同。

在本发明一实施例中，当k＝4，m＝5时，将目标矩阵中的4列分别扩展为4个独立的5×4的目标矩阵，分别为轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵，其中：

轴承的正常状态对应的目标矩阵为：

轴承的外环对应的目标矩阵为：

轴承的内环对应的目标矩阵为：

轴承的滚子对应的目标矩阵为：

轴承的保持架对应的目标矩阵为：

在本发明实施例中，上述的轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵，均为预设的目标矩阵扩展生成。

在具体实施中，神经网络模型包括输入层、隐藏层以及输出层。神经网络模型的输入层数据为特征矩阵，输出层数据为预设的目标矩阵。为便于获取诊断结果，输出层数据可以为由目标矩阵扩展生成的轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵。

在具体实施中，将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。

在将神经网络模型的输出结果与目标矩阵进行对比时，可以将神经网络模型的输出结果分别与扩展的目标矩阵进行比对，也即与轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵进行一一比对，获取与扩展的目标矩阵的最小误差值，从而获知轴承的哪个部件出现故障。

例如，神经网络模型的输出结果为5×4矩阵，且第1列的值均处于0.9～1之间，则可知神经网络模型的输出结果与轴承的外环对应的目标矩阵的误差值最小，故判定轴承的外环出现故障。

由此可见，通过对采集到的轴承时域振动加速度信号进行小波分解，兼顾了时域振动加速度信号的高频部分和低频部分。从n个频带的频域信号中依次提取特征参数并构建特征向量时，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，进而根据神经网络模型的输出结果获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。

参照图3，本发明实施例提供了一种轴承故障诊断装置30，包括：采集单元301、小波分解单元302、特征向量构建单元303、特征矩阵构建单元304、输入单元305以及故障诊断结果获取单元306，其中：

采集单元301，用于采集处于工作状态的轴承的振动加速度信号；

小波分解单元302，用于对所述振动加速度信号进行小波分解；

特征向量构建单元303，用于从小波分解得到的信号中依次提取特征参数并构建特征向量；

特征矩阵构建单元304，用于根据所述特征向量，构建特征矩阵；

输入单元305，用于将所述特征矩阵输入至预先训练的神经网络模型；

故障诊断结果获取单元306，用于将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。

在具体实施中，所述轴承的故障诊断结果可以包括以下至少一种：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。

在具体实施中，所述采集单元301，可以用于采集轴承的时域振动加速度信号。

在具体实施中，除采集单元301外，轴承故障诊断装置30的其他功能单元可根据具体需要设置为在线系统或离线系统的一部分。

在具体实施中，所述小波分解单元302，可以用于选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到n个频带的时域信号，其中，n＝2^j，j为小波分解的层次。

在具体实施中，所述特征向量构建单元303，可以用于对所述n个频带的时域信号进行解调处理并进行时频转换，得到对应的n个频带的频域信号；从所述n个频带的频域信号中依次提取特征参数，并构建特征向量。

在具体实施中，所述特征矩阵构建单元304，可以用于根据所述特征向量，构建特征矩阵；所述特征矩阵为m×n矩阵，m为所述特征向量的个数。

在具体实施中，所述目标矩阵可以为m×k矩阵，k为所需诊断的所述轴承的部件数。

在具体实施中，所述轴承故障诊断装置30还可以包括：降噪处理单元(图3中未示出)，用于在所述小波分解单元对所述振动加速度信号进行小波分解之前，对所述振动加速度信号进行降噪处理。

在具体实施中，所述降噪处理单元，可以用于采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。

在具体实施中，所述特征参数可以包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。

在具体实施中，所述轴承故障诊断装置30还可以包括：归一化处理单元(图3中未示出)，用于在所述输入单元将所述特征矩阵输入至预先生成的神经网络模型之前，对所述特征矩阵中的元素进行归一化处理。

在具体实施中，所述神经网络模型可以包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据可以为所述特征矩阵，所述神经网络模型的输出层数据可以为所述目标矩阵。

在具体实施中，所述故障诊断结果获取单元306，可以用于将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行本发明上述实施例中所提供的轴承故障诊断方法的步骤。

本发明实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有可以在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行本发明上述实施例中提供的轴承故障诊断方法的步骤。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。