技术特征：
1.一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，包括有以下步骤：步骤1、信号预处理，根据轴承转速选择合适的采样率，将原始振动信号划分为等尺寸的样本信号；步骤2、数据增强，对样本信号采用高斯、凯泽、矩形窗函数，以及不同比例的重叠进行信号处理，产生新的信号样本，选择固定长度的窗函数，通过stft得到每个信号样本对应的二维时频谱；步骤3、对原始信号样本生成的时频图，将其转换成矩阵数据，使用nmf提取其中的故障特征，计算迭代后的闭式解，生成具有其特征的时频图，实现数据扩充；步骤4、构建一个用于故障诊断的轻量级cnn模型，通过设置合适的超参数，实现尽量少的层数下提高卷积速度，模型通过卷积、批归一化、池化操作提取扩充后训练样本中的特征，对故障类型进行分类；步骤5、设置多个数据集和参考组，参考评估诊断模型的分类效果，从准确度、精确度、召回率和f1值比较各个负载下故障诊断性能，测试该模型的跨域诊断性能，比较本方法于同类方法的优劣。2.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤1从原始振动信号中获取多个相同点数的样本，并对其进行划分。3.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤2中对每个窗口内的时域信号做stft，形成不同时间窗口的频域信号，将一维时域信号变换为二维时频图，时域信号的stft可以表示为：其中w(t-τ)为滑动窗。4.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤2中重叠选择25％和75％的重叠比例。5.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤3对原始样本产生的时频图提出了一种基于非负矩阵分解nmf的数据增强，对于给定一个非负数据矩阵通过nmf将x近似为一个基矩阵和一个编码矩阵x≈wh其中矩阵w和h是两个低阶非负矩阵，因子分解参数r远小于n和m；对每个样本采用nmf获得矩阵w和h，然后将优化问题表示为：对于上式中的优化问题，用乘法更新规则(mu)、交替最小二乘法(als)或其他梯度下降方法，在给定的迭代次数内获得闭式解，直至收敛。6.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤4中的cnn模型包括特征提取和分类阶段，特征提取阶段依次由卷积层、批归一化层和池化层构成，该模型经过卷积操作生成特征映射，池化层提取其中重要的局部特征；分类阶段则由全连接层实现对特征的分类，输出诊断结果。
7.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤5中的数据集其类型包括有正常状态n、内圈故障of、外圈故障if和滚动体故障bf。8.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤5对测试样本进行多次测试，取平均值评估模型的性能：取平均值评估模型的性能：取平均值评估模型的性能：取平均值评估模型的性能：其中n
c
是组数，tp和fp分别是真假阳性的数量，tn和fn分别是真假阴性的数量。9.根据权利要求1所述的一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，其特征在于，所述步骤5测试该方法在跨域问题上的性能，使用给定负载条件下的标记数据训练模型，然后使用其他负载上的数据进行测试。
技术总结
本发明的故障诊断方法，对时域振动信号进行预处理，划分出信号样本；对原始信号样本采用高斯窗、凯泽窗、矩形窗函数和重叠的方法分别进行数据增强处理，得到新的信号样本；对所有的时域信号样本采用短时傅里叶变换STFT得到每个样本的二维时频图，利用卷积神经网络提取图像的空间特征；对原始信号样本产生的时频图采用NMF，获得新的时频图；构建一种CNN模型，将数据增强后的时频图作为该模型输入的训练样本和测试样本，提取其中的信号特征，CNN模型经过卷积、批归一化和池化操作后完成训练，实现对故障类型的自动分类。该方法提高可用训练数据的质量，使故障诊断准确性更高，且具有泛用性，可用于滚动轴承的故障诊断和健康管理。可用于滚动轴承的故障诊断和健康管理。可用于滚动轴承的故障诊断和健康管理。
技术研发人员：王洪 李磊 德拉尼奥 吴龙泉 张昊坤 金焱
受保护的技术使用者：电子科技大学长三角研究院（湖州）
技术研发日：2022.04.26
技术公布日：2022/8/12