一种轴承故障诊断的方法、装置及介质与流程

1.本技术涉及故障诊断技术领域，特别是涉及一种轴承故障诊断的方法、装置及介质。


背景技术：

2.轴承一直是国内外专家学者研究的热点对象。在轨道列车结构中，滚动轴承作为转向架的核心零件，在实际运行过程中其持续在变载荷、高压力的条件下工作。一旦轴承发生故障，会直接导致热轴、切轴等事故发生，甚至进而会导致列车脱轨。因此对滚动轴承进行在线监控与故障诊断，可以减少或杜绝事故的发生，减少车上人员的生命威胁，并为滚动轴承工艺的优化改进提供数据和信息支撑，预知状态并指导维修，降低轴承全寿命周期的开支。
3.近年来，采用神经网络模型来实现对轴承故障的诊断。在采用神经网络模型时，单纯地将时频特征作为神经网络模型的输入。在实际中，由于反映轴承状态的除了时频特征之外，通常还包含冲击特征等，因此若仅仅采用时频特征作为神经网络模型的输入，则可能会导致采用神经网络模型输出的轴承故障诊断结果不可靠。
4.由此可见，如何提高通过神经网络模型输出的轴承故障诊断结果的可靠性，是本领域技术人员亟待解决的问题。


技术实现要素：

5.本技术的目的是提供一种轴承故障诊断的方法、装置及介质，用于提高通过神经网络模型输出的轴承故障诊断结果的可靠性。
6.为解决上述技术问题，本技术提供一种轴承故障诊断的方法，包括：
7.获取图像采集设备采集的所述轴承的信号；
8.根据所述轴承的信号生成多种用于反映轴承健康程度的特征图；其中，所述特征图至少包括：峭度图、时频图；
9.拼接各所述特征图并获取拼接特征图；
10.将所述拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型；
11.通过所述神经网络模型输出故障诊断结果。
12.优选地，建立所述用于轴承故障诊断的神经网络模型包括：
13.获取所述图像采集设备采集的各轴承故障对应的信号；
14.根据所述轴承故障对应的信号生成多种所述轴承故障对应的特征图；
15.拼接各所述轴承故障对应的特征图并获取各所述轴承故障对应的拼接特征图；
16.将各所述轴承故障对应的拼接特征图作为所述神经网络模型的输入以及将各所述轴承故障作为所述神经网络模型的输出，并进行训练，完成所述用于轴承故障诊断的神经网络模型的建立。
17.优选地，所述轴承包括内圈、外圈、滚动体、保持架，所述获取所述图像采集设备采
集的各所述轴承故障对应的信号包括：
18.获取所述图像采集设备采集的所述内圈、所述外圈、所述滚动体、所述保持架在各故障等级时对应的信号。
19.优选地，所述拼接各所述特征图包括：
20.将各所述特征图设置为纵向尺寸相等或横向尺寸相等；
21.在各所述特征图纵向尺寸相等的情况下，将各所述特征图进行横向拼接；
22.在各所述特征图的横向尺寸相等的情况下，将各所述特征图进行纵向拼接。
23.优选地，所述拼接各所述特征图并获取拼接特征图包括：
24.调整各所述特征图的尺寸以及拼接方向；
25.获取正方形的所述拼接特征图。
26.优选地，将各所述特征图进行横向拼接或纵向拼接至少包括以下之一：
27.通过python编写程序将各所述特征图进行横向拼接或纵向拼接；
28.通过ps软件将各所述特征图进行横向拼接或纵向拼接；
29.其中，所述通过python编写程序将各所述特征图进行横向拼接或纵向拼接包括：
30.将各所述特征图生成统一的预设格式的所述特征图；
31.利用所述python编写程序将各所述预设格式的所述特征图进行横向或纵向拼接。
32.优选地，所述获取图像采集设备采集的所述轴承的信号包括：
33.按照固定频率获取所述图像采集设备采集的所述轴承的信号。
34.为了解决上述技术问题，本技术还提供一种轴承故障诊断的装置，包括：
35.获取模块，用于获取图像采集设备采集的所述轴承的信号；
36.生成模块，用于根据所述轴承的信号生成多种用于反映轴承健康程度的特征图；其中，所述特征图至少包括：峭度图、时频图；
37.拼接模块，用于拼接各所述特征图并获取拼接特征图；
38.输入模块，用于将所述拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型；
39.输出模块，用于通过所述神经网络模型输出故障诊断结果。
40.为了解决上述技术问题，本技术还提供一种轴承故障诊断的装置，包括：
41.存储器，用于存储计算机程序；
42.处理器，用于执行所述计算机程序时实现上述的轴承故障诊断的方法的步骤。
43.为了解决上述技术问题，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的轴承故障诊断的方法的步骤。
44.本技术所提供的轴承故障诊断的方法，包括：获取图像采集设备采集的轴承的信号；根据轴承的信号生成多种用于反映轴承健康程度的特征图；其中，用于反映轴承健康程度的特征图至少包括：峭度图、时频图；拼接各特征图并获取拼接特征图；将拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型；通过神经网络模型输出故障诊断结果。该方法中将多种用于反映轴承健康程度的特征图进行拼接得到拼接特征图，将其作为神经网络的输入数据，并进行故障诊断。由于采用拼接特征图作为神经网络模型的输入相比于采用单一的特征图作为神经网络的输入，反映的轴承健康程度更加丰富，如峭度图能
够反映信号中的冲击特征，时频图能够反映信号中的时频分布信息，将峭度图与时频图拼接后既可以反映冲击特征，又可以反映时频分布信息，因此通过神经网络模型输出的轴承故障诊断的结果更加可靠。
45.此外，本技术还提供一种轴承故障诊断的装置及计算机可读存储介质，与上述提到的轴承故障诊断的方法相对应，效果同上。
附图说明
46.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本技术实施例提供的一种轴承故障诊断的方法的流程图；
48.图2为本技术的一实施例提供的轴承故障诊断的装置的结构图；
49.图3为本技术另一实施例提供的轴承故障诊断的装置的结构图；
50.图4为本技术实施例提供的一种轴承故障诊断的方法的整体示意图。
具体实施方式
51.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
52.本技术的核心是提供一种轴承故障诊断的方法、装置及介质，用于提高通过神经网络模型输出的轴承故障诊断结果的可靠性。
53.轴承是当代机械设备中的一个重要零部件，主要功能时支撑机械旋转体，降低其在运动过程中的摩擦系数，并保证其回转精度。轴承是由内圈、外圈、滚动体以及保持架四部分组成。在实际中，各部分都有出现损坏的可能，导致轴承不能很好地起到降低机械设备在运动过程中的摩擦的作用，因此需要对轴承故障进行诊断。现有的诊断轴承的方法中单纯地将时域特征与频域特征输入至神经网络模型，导致基于神经网络模型输出的故障诊断的可靠性降低。因此，本技术将反映轴承健康状态的多种特征输入至神经网络模型，输出轴承故障诊断结果，以此来提高通过神经网络模型输出故障诊断结果的可靠性。
54.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。图1为本技术实施例提供的一种轴承故障诊断的方法的流程图，如图1所示，该方法包括：
55.s10：获取图像采集设备采集的轴承的信号。
56.为了获得轴承的状态，需要通过图像采集设备采集轴承的信号。对于采用的图像设备不作限定，根据实际的情况进行选取。如，当可以采用温度传感器来检测轴承的温度，从而获得轴承的温度信号；采用声音传感器来检测轴承的声音，从而获得轴承的声音信号；采用加速度传感器来检测轴承的震动，从而获得轴承的震动信号。在实施中，对于采用的图像传感器的种类不作限定，可以为一种或多种，但是，为了能够更好地对轴承进行诊断，优选地采用多种图像传感器来采集轴承的信号；对于图像采集设备的安装位置不作限定，根
据实际情况进行确定，优选地将图像采集设备安装在靠近轴承的位置，便于对轴承信号进行采集，具体地，如当需要采集内圈信号时，可以将图像采集设备安装在内圈附近，便于对内圈信号进行采集；对于图像采集设备采集的频率不作限定，根据实际情况选择，优选地，为了能够较准确地对轴承故障进行诊断，图像采集设备可以实时采集轴承的信号。
57.s11：根据轴承的信号生成多种用于反映轴承健康程度的特征图；其中，特征图至少包括：峭度图、时频图。
58.上述步骤中采集了轴承的信号，根据获得的轴承信号可以生成多种用于反映轴承健康程度的特征图。为了能够提高通过神经网络模型输出的轴承故障结果的可靠性，用于反映轴承健康程度的特征图至少包括峭度图、时频图。如在根据轴承信号生成峭度图时，对轴承信号进行峭度谱分析得出对应的峭度图。需要说明的是，在实施中，除了峭度图、时频图以外，小波时频图、包络图等都可以作为反映轴承健康程度的特征图，此处对于生成的用于反映轴承健康程度的特征图的种类不作限定。
59.s12：拼接各特征图并获取拼接特征图。
60.上述步骤中根据轴承信号生成了多种特征图。为了将多种特征图输入至神经网路模型中，需要对获得的多种拼接图进行拼接。如将峭度图与时频图进行拼接，峭度图能体现信号中的冲击特征，时频图包含了信号中的时频分布信息，因此将峭度图和时频图进行拼接之后得到的拼接特征图能够同时包含冲击特征以及时频信息，更能反映轴承的健康程度。当拼接更多种类的特征图时，如包络谱图等，拼接特征图的信息量会更丰富，可以从更多角度表征故障，相应地故障诊断会更可靠。需要说明的是，在拼接各特征图时，可以将各拼接图设置为相同的横向尺寸或相同的纵向尺寸，方便拼接。
61.s13：将拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型。
62.s14：通过神经网络模型输出故障诊断结果。
63.为了得到用于轴承故障诊断的神经网络模型，将拼接特征图、拼接特征图对应的故障情况进行训练得出用于轴承故障诊断的神经网络模型，如某一种拼接特征图对应的是内圈故障。对于使用的具体的神经网络模型不作限定，根据实际情况进行选择。将上述步骤中获得的拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型，通过神经网络模型输出故障诊断结果。
64.本实施例所提供的轴承故障诊断的方法，包括：获取图像采集设备采集的轴承的信号；根据轴承的信号生成多种用于反映轴承健康程度的特征图；其中，用于反映轴承健康程度的特征图至少包括：峭度图、时频图；拼接各特征图并获取拼接特征图；将拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型；通过神经网络模型输出故障诊断结果。该方法中将多种用于反映轴承健康程度的特征图进行拼接得到拼接特征图，将其作为神经网络的输入数据，并进行故障诊断。由于采用拼接特征图作为神经网络模型的输入相比于采用单一的特征图作为神经网络的输入，反映的轴承健康程度更加丰富，如峭度图能够反映信号中的冲击特征，时频图能够反映信号中的时频分布信息，将峭度图与时频图拼接后既可以反映冲击特征，又可以反映时频分布信息，因此通过神经网络模型输出的轴承故障诊断的结果更加可靠。
65.在实施中，为了使建立的神经网络模型能够对各轴承故障进行诊断，优选地实施方式是，建立用于轴承故障诊断的神经网络模型包括：
66.获取图像采集设备采集的各轴承故障对应的信号；
67.根据轴承故障对应的信号生成多种轴承故障对应的特征图；
68.拼接各轴承故障对应的特征图并获取各轴承故障对应的拼接特征图；
69.将各轴承故障对应的拼接特征图作为神经网络模型的输入以及将各轴承故障作为神经网络模型的输出，并进行训练，完成用于轴承故障诊断的神经网络模型的建立。
70.在建立用于轴承故障诊断的神经网络模型时，同样是采用图像采集设备来采集轴承的信号。如轴承故障为内圈故障时，获取图像采集设备采集的内圈故障对应的信号；根据内圈故障对应的信号生成多种内圈故障对应的特征图；拼接内圈故障对应的各特征图并获取内圈故障对应的拼接特征图；将内圈故障对应的特征图作为神经网络模型的输入以及将内圈故障作为神经网络模型的输出，进行训练。对于其他轴承故障同样进行上述步骤，完成用于轴承故障诊断的神经网络模型的建立。
71.本实施例所提供的用于轴承故障诊断的神经网络模型，将轴承故障对应的拼接特征图作为神经网络模型的输入，将轴承故障作为神经网络模型的输出，相比于单纯依据时频特征建立的神经网络模型，模型的鲁棒性更强。
72.在上述实施例的基础上，为了使通过上述神经网络模型能够对轴承的多种故障进行诊断，优选地实施方式是，轴承包括内圈、外圈、滚动体、保持架，获取图像采集设备采集的各轴承故障对应的信号包括：
73.获取图像采集设备采集的内圈、外圈、滚动体、保持架在各故障等级时对应的信号。
74.为了使神经网络模型能够对轴承的多种故障进行诊断，在训练模型时，需要将轴承可能会出现的故障考虑进来。轴承包含内圈、外圈、滚动体以及保持架这四部分，在实际中，各部分都有出现损坏的可能，并且可能存在不同程度的损坏，因此为了使建立的神经网络模型具体更强的鲁棒性，需要获取图像采集设备采集的内圈、外圈、滚动体、保持架在各故障等级时对应的信号。
75.本实施例所提供的获取图像采集设备采集的内圈、外圈、滚动体、保持架在各故障等级时对应的信号的方法，将轴承的各部分故障、各部分故障在不同故障等级对应的信号采集出来，使得建立的神经网络模型的鲁棒性更强，通过神经网络模型能够较准确地诊断出轴承存在的故障。
76.在实施中，为了能够形成较规整的拼接特征图，方便神经网络模型对拼接特征图中特征的提取，优选地实施方式是，拼接各特征图包括：
77.将各特征图设置为纵向尺寸相等或横向尺寸相等；
78.在各特征图纵向尺寸相等的情况下，将各特征图进行横向拼接；
79.在各特征图的横向尺寸相等的情况下，将各特征图进行纵向拼接。
80.如，将实际采集到的信号以一秒为长度进行分割，得到若干信号。根据计算峭度与快速傅里叶变换(fast fourier transform，fft)等的算法，得到若干信号的峭度图与fft时频图。由于峭度图与fft时频图等特征图的形状一般为矩形，在生成特征图时可以令这些特征图的纵向或者横向尺寸相等。假设一秒信号的峭度图横纵尺寸为m1*n，fft时频图的横纵尺寸为m2*n，由于纵向尺寸相等，因此将图片进行横向拼接得到尺寸为(m1+m2)*n的拼接特征图，在横向尺寸相等时，纵向拼接即可，纵向拼接后得到的拼接特征图的尺寸为m*(n1+
n2)。
81.本实施例所提供的将各特征图的横向尺寸或纵向尺寸设置为相同，进而拼接各特征图，使得拼接形成的特征图的形状为矩形，而不是不规整的图，方便神经网络模型对拼接特征图中特征的提取。
82.由于神经网络模型更倾向于对正方形图片进行深层特征提取，因此，优选地实施方式是，拼接各特征图并获取拼接特征图包括：
83.调整各用于反映轴承健康程度的特征图的尺寸以及拼接方向；
84.获取正方形的拼接特征图。
85.除了峭度图与fft时频图以外，小波时频图，包络谱图等都可以参与到图片拼接，当图片种类增多时，拼接特征图也会更丰富。在获得拼接特征图时，可以调整各用于反映轴承健康程度的特征图的尺寸以及拼接方向，使得各特征图经过拼接之后可以形成正方形的拼接特征图，方便神经网络模型提取图片中的特征。
86.在实施中，可以通过多种方式实现特征图的拼接，优选地实施方式是，将各特征图进行横向拼接或纵向拼接至少包括以下之一：
87.通过python编写程序将各特征图进行横向拼接或纵向拼接；
88.通过ps软件将各特征图进行横向拼接或纵向拼接；
89.其中，通过python编写程序将各特征图进行横向拼接或纵向拼接包括：
90.将各特征图生成统一的预设格式的特征图；
91.利用python编写程序将各预设格式的特征图进行横向或纵向拼接。
92.对于预设格式不作限定，根据实际的情况进行选择。形成的特征图可能是彩色图片，而彩色图片往往是由红绿蓝(red green blue，rgb)三个通道数据组成，或者多加一个透明度通道，在生成图片时要保证所有图片格式同时为jpg或者png。利用python编写程序来读取图片数据，将不同图片数据矩阵进行横向拼接或纵向拼接，可以得到拼接特征图的数据矩阵。对于jpg类文件，纵向拼接后的拼接特征图的数据矩阵尺寸为(3，m1+m2，n)，表明该图片数据有rgb三个通道，每个通道尺寸都为(m1+m2)*n，同理，横向拼接的尺寸为(3，m，n1+n2)。对png文件，仅仅是rgb加透明度，共四个通道，其余无差别。在利用ps软件拼接图片时，直接将同类型图片进行拼接得到拼接特征图矩阵，后续直接读取该图片即可，采用该方式时不需要要求特征图都为jpg或png。
93.本实施例所提供的将各特征图进行横向拼接或纵向拼接的方式，使得能够根据实际情况选择合适的方式拼接特征图。
94.在实施中，为了能够及时获得轴承的信号以及及时对轴承故障进行诊断，优选地实施方式是，获取图像采集设备采集的轴承的信号包括：
95.按照固定频率获取图像采集设备采集的轴承的信号。
96.通过固定频率采集轴承信号，相比于采用非固定频率采集轴承信号，更能反映轴承的状态。对于固定的频率的值不作限定。为了能够较准确地获得轴承的状态，可以将固定的频率的值设置为1，也就是通过图像采集设备实时采集轴承的信号，根据实时采集的轴承信号能够对轴承状态进行及时检测，并且将实时采集的轴承信号输入至神经网络模型中，使得能够及时地对轴承故障进行诊断。
97.在上述实施例中，对于轴承故障诊断的方法进行了详细描述，本技术还提供轴承
故障诊断的装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
98.图2为本技术的一实施例提供的轴承故障诊断的装置的结构图。本实施例基于功能模块的角度，包括：
99.获取模块10，用于获取图像采集设备采集的轴承的信号；
100.生成模块11，用于根据轴承的信号生成多种用于反映轴承健康程度的特征图；其中，特征图至少包括：峭度图、时频图；
101.拼接模块12，用于拼接各特征图并获取拼接特征图；
102.输入模块13，用于将拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型；
103.输出模块14，用于通过神经网络模型输出故障诊断结果。
104.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
105.本实施例所提供的轴承故障诊断的装置，通过获取模块获取图像采集设备采集的轴承的信号；通过生成模块根据轴承的信号生成多种用于反映轴承健康程度的特征图；其中，特征图至少包括：峭度图、时频图；通过拼接模块拼接各特征图并获取拼接特征图；通过输入模块将拼接特征图输入至预先建立的用于轴承故障诊断的神经网络模型；经过输出模块，通过神经网络模型输出故障诊断结果。该装置中将多种用于反映轴承健康程度的特征图进行拼接得到拼接特征图，将其作为神经网络的输入数据，并进行故障诊断。由于采用拼接特征图作为神经网络模型的输入相比于采用单一的特征图作为神经网络的输入，反映的轴承健康程度更加丰富，如峭度图能够反映信号中的冲击特征，时频图能够反映信号中的时频分布信息，将峭度图与时频图拼接后既可以反映冲击特征，又可以反映时频分布信息，因此通过神经网络模型输出的轴承故障诊断的结果更加可靠。
106.图3为本技术另一实施例提供的轴承故障诊断的装置的结构图。本实施例基于硬件角度，如图3所示，轴承故障诊断的装置包括：
107.存储器20，用于存储计算机程序；
108.处理器21，用于执行计算机程序时实现如上述实施例中所提到的轴承故障诊断的方法的步骤。
109.本实施例提供的轴承故障诊断的装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
110.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图形处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计
算操作。
111.存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的轴承故障诊断的方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于上述所提到的轴承故障诊断的方法所涉及到的数据等。
112.在一些实施例中，轴承故障诊断的装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
113.本领域技术人员可以理解，图3中示出的结构并不构成对轴承故障诊断的装置的限定，可以包括比图示更多或更少的组件。
114.本技术实施例提供的轴承故障诊断的装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：轴承故障诊断的方法，效果同上。
115.最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
116.可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
117.本技术提供的计算机可读存储介质包括上述提到的轴承故障诊断的方法，效果同上。
118.为了使本领域的技术人员更好的理解本技术的技术方案，下面结合附图4对上述本技术作进一步的详细说明，图4为本技术实施例提供的一种轴承故障诊断的方法的整体示意图。如图4所示，该过程包括：
119.采集轴承的信号；以1s为长度对轴承信号进行分割；分别对每1s长度的轴承信号生成多种特征图，如特征图1
……
，特征图n；将特征图1
……
，特征图n进行拼接得到拼接特征图；将拼接特征图送入神经网络模型；通过神经网络模型输出故障类别。
120.由于故障诊断的准确率不光与模型的性能有关，输入特征所包含的信息量直接决定了准确率的上限，因此本实施例所提供的采用拼接特征图的方法增加输入特征的信息量能有效提高故障诊断的可靠性。
121.以上对本技术所提供的一种轴承故障诊断的方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其
与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
122.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。