(19)國家知識產(chǎn)權局(12)發(fā)明專利(22)申請日2020.09.29(43)申請公布日2022.04.12地址瑞典哥德堡(56)對比文件審查員唐松柏權利要求書2頁說明書7頁附圖4頁通過軸承噪聲檢測進行故障診斷的方法及本公開提供一種通過軸承噪聲檢測來進行檢測中的噪聲，該噪聲包括軸承噪聲和工況噪和第二頻域信號輸入軸承故障診斷模型。其中，軸承故障診斷模型包括特征提取模型和故障判相關聯(lián)的第一特征和與故障頻率峰相關聯(lián)的第判別。峰值平均值峰值平均值21.一種用于通過軸承噪聲檢測來進行故障診斷的方法，包括：采集軸承檢測中的噪聲，所述噪聲包括軸承噪聲和工況噪聲；對采集的噪聲進行預處理，以獲得第一時域信號以及第二頻域信號；以及將所述第一時域信號以及第二頻域信號輸入軸承故障診斷模型；其中，所述軸承故障診斷模型包括特征提取模型和故障判別模型，所述特征提取模型分別對所述第一時域信號以及第二頻域信號進行特征提取，以獲得與時域沖擊峰相關聯(lián)的第一特征和與故障頻率峰相關聯(lián)的第二特征；以及所述故障判別模型將所述第一特征和第二特征合并，并且基于合并后的特征對故障進行判別。2.根據(jù)權利要求1所述的方法，其中，所述特征提取模型包括用于對所述第一時域信號進行處理以獲得所述第一特征的第一子模型和對所述第二頻域信號進行處理以獲得所述第二特征的第二子模型?；谒龅谝粫r域信號，通過所述第一子模型分別提取第一峰值數(shù)據(jù)和第一平均值數(shù)據(jù)，其中，所述第一峰值數(shù)據(jù)代表時域中的噪聲沖擊，所述第一平均值數(shù)據(jù)代表時域中的平基于所述第二頻域信號，通過所述第二子模型分別提取第二峰值數(shù)據(jù)和第二平均值數(shù)據(jù)，其中，所述第二峰值數(shù)據(jù)代表頻域中的噪聲沖擊，所述第二平均值數(shù)據(jù)代表頻域中的平均工況噪聲。4.根據(jù)權利要求3所述的方法，還包括：將所述第一峰值數(shù)據(jù)和第一平均值數(shù)據(jù)合并，以獲得所述第一特征；以及將所述第二峰值數(shù)據(jù)和第二平均值數(shù)據(jù)合并，以獲得所述第二特征。5.根據(jù)權利要求1-4中任一項所述的方法，其中，所述特征提取模型是基于卷積神經(jīng)網(wǎng)絡CNN的模型并且所述故障判別模型是基于全連接網(wǎng)絡的模型。6.根據(jù)權利要求1-4中任一項所述的方法，其中，所述第一時域信號是信號的時域包絡，所述第二頻域信號是信號的頻譜包絡。7.根據(jù)權利要求1-4中任一項所述的方法，還包括基于歷史故障模式建立故障模式數(shù)據(jù)集，以及存儲判別出的故障模式以更新故障模式數(shù)據(jù)集。8.根據(jù)權利要求1-4中任一項所述的方法，所述預處理包括：對采集的噪聲進行帶通濾波；獲取濾波后的信號的時域波形數(shù)據(jù)作為所述第一時域信號；對濾波后的信號進行傅里葉變換，并獲取傅里葉變換后的信號的包絡頻譜數(shù)據(jù)作為第二頻域信號；對所述第一時域信號和第二頻域信號分別進行歸一化處理；以及對歸一化處理后的第一時域信號和第二頻域信號進行重采樣。9.一種通過軸承噪聲檢測來進行故障診斷的系統(tǒng)，包括：數(shù)據(jù)采集器，被配置為采集軸承檢測中的噪聲，所述噪聲包括軸承噪聲和工況噪聲；與所述數(shù)據(jù)采集器連接的處理器，所述處理器被配置為：對采集的噪聲進行預處理，以獲得第一時域信號和第二頻域信號；以及將所述第一時域信號和第二頻域信號輸入軸承故障診斷模型；3其中，所述軸承故障診斷模型包括特征提取模型和故障判別模型，所述特征提取模型分別對所述第一時域信號以及第二頻域信號進行特征提取，以獲得與時域沖擊峰相關聯(lián)的第一特征和與故障頻率峰相關聯(lián)的第二特征；并且所述故障判別模型將所述第一特征和第二特征合并，并且基于合并后的特征對故障進行判別；和存儲器，其被配置為與處理器連接并且存儲判別出的故障模式以更新故障模式數(shù)據(jù)集。10.一種包括指令的計算機可讀存儲介質(zhì)，所述指令被計算機執(zhí)行以實現(xiàn)如權利要求1-8中任一項所述的方法。4通過軸承噪聲檢測進行故障診斷的方法及系統(tǒng)技術領域[0001]本發(fā)明涉及軸承噪聲檢測領域，尤其涉及用于通過軸承噪聲檢測進行故障診斷的方法及系統(tǒng)。背景技術[0002]軸承噪聲是軸承質(zhì)量控制中的關鍵參數(shù)之一，可以通過生產(chǎn)線中的軸承噪聲檢測來檢測某些軸承早期缺陷。但是，噪聲與軸承類型有著很強的相關性，例如不同軸承類型的檢測模型不能直接用于其他新類型的軸承。[0003]典型軸承噪聲檢測模型的另一個問題是檢測要完全取決于軸承的一些關鍵參數(shù)，例如故障頻率(BPFI,BPFO等)以及相對穩(wěn)定和準確的轉(zhuǎn)速信息。但是在某些情況下，這些參數(shù)信息很難收集，例如缺少有關軸承類型的信息或缺少軸承速度信息。[0004]目前的軸承檢測算法需要收集大量有關軸承信息的軸承數(shù)據(jù)才能為新型軸承重新訓練模型。這不但浪費時間和成本，而且無法支持在越來越多的新應用中的快速擴展。此外，對于沒有軸承類型和速度信息的情況，只能由專業(yè)人員進行人工診斷，或者只能基于非常簡單的診斷邏輯(例如RMS閾值或趨勢)進行診斷，因此檢測效率和檢測精度相對較低。[0005]因此，需要開發(fā)一種能夠無需軸承信息就能通過自動軸承噪聲檢測進行故障判斷的通用的方法和系統(tǒng)，從而通過提高軸承噪聲自動檢測模型的泛化能力來提高軸承噪聲檢測的效率。發(fā)明內(nèi)容[0006]本發(fā)明的一個或多個實施例提供了一種用于通過軸承噪聲檢測來進行故障診斷的方法。該方法包括：采集軸承檢測中的噪聲，所述噪聲包括軸承噪聲和工況噪聲；對采集的噪聲進行預處理，以獲得第一時域信號和第二頻域信號；以及將所述第一時域信號和第二頻域信號輸入軸承故障診斷模型以進行故障診斷。其中，軸承故障診斷模型包括特征提取模型和故障判別模型，特征提取模型分別對第一時域信號和第二頻域信號進行特征提取，以獲得與時域沖擊峰相關聯(lián)的第一特征和與故障頻率峰相關聯(lián)的第二特征。并且其中故障判別模型將第一特征和第二特征合并，并且基于合并后的特征對故障進行判別。[0007]其中，對采集的軸承振動信號進行預處理可以包括：對采集的軸承振動信號進行帶通濾波。對采集的噪聲進行預處理還可以包括獲取濾波后的信號的時域波形數(shù)據(jù)作為第一時域信號，以及對濾波后的信號進行傅里葉變換并獲取傅里葉變換后的信號的包絡頻譜數(shù)據(jù)作為第二頻域信號?？蛇x地，該預處理還可以進一步包括對所述第一時域信號和第二頻域信號分別進行歸一化處理?？蛇x地，該預處理還可以進一步包括對歸一化處理后的第一時域信號和第二頻域信號進行重采樣。[0008]其中，所述特征提取模型可以包括分別對時域信號和頻域信號進行處理的模型，例如，對所述第一時域信號進行處理的第一子模型和對所述第二頻域信號進行處理的第二5子模型。[0009]該方法還可以進一步包括基于所述第一時域信號，所述第一子模型利用卷積核分別提取第一峰值數(shù)據(jù)和第一平均值數(shù)據(jù)；以及基于所述第二頻域信號，所述第二子模型利用卷積核提取第二峰值數(shù)據(jù)和第二平均值數(shù)據(jù)。其中，所述第一峰值數(shù)據(jù)代表時域中特定時間上的噪聲沖擊，所述第一平均值數(shù)據(jù)代表時域中的平均工況噪聲。其中，所述第二峰值數(shù)據(jù)代表頻域中特定頻譜上的噪聲沖擊，所述第二平均值數(shù)據(jù)代表頻域中的平均工況噪聲。[0010]該方法還可以進一步包括：將所述第一峰值數(shù)據(jù)和第一平均值數(shù)據(jù)合并，以獲得所述第一特征；以及將所述第二峰值數(shù)據(jù)和第二平均值數(shù)據(jù)合并，以獲得所述第二特征。[0011]其中，所述特征提取模型可以是基于卷積神經(jīng)網(wǎng)絡(CNN)的模型并且所述故障判別模型可以是基于全連接網(wǎng)絡的模型。[0012]其中，所述第一時域信號可以是時域包絡，所述第二頻域信號可以是頻譜包絡。[0013]所述方法還可以包括基于歷史故障模式建立故障模式數(shù)據(jù)集，以及存儲判別出的故障模式以更新故障模式數(shù)據(jù)集。[0014]本發(fā)明的一個或多個實施例提供了一種通過軸承噪聲檢測來進行故障診斷的系統(tǒng)。該系統(tǒng)包括數(shù)據(jù)采集器，處理器以及存儲器。數(shù)據(jù)采集器被配置來采集軸承檢測中的噪聲，所述噪聲包括軸承噪聲和工況噪聲。所述處理器與所述數(shù)據(jù)采集器連接并且被配置為執(zhí)行對采集的噪聲的預處理，以獲得第一時域信號以及第二頻域信號。所述處理器還被配置成將所述第一時域信號以及第二頻域信號輸入軸承故障診斷模型以對軸承故障進行判別。其中，所述軸承故障診斷模型包括特征提取模型和故障判別模型。所述處理器被配置為使得通過所述特征提取模型分別對所述第一時域信號以及第二頻域信號進行特征提取，以獲得與時域沖擊峰相關聯(lián)的第一特征和與故障頻率峰相關聯(lián)的第二特征；并且通過所述故障判別模型將所述第一特征和第二特征合并，并且基于合并后的特征對故障進行判別。所述存儲器被配置為與處理器連接并且存儲獲得的故障識別結(jié)果以更新原始故障數(shù)據(jù)庫。[0015]本發(fā)明的一個或多個實施例提供一種包括指令的計算機可讀存儲介質(zhì)，所述指令被計算機執(zhí)行以實現(xiàn)上述通過軸承噪聲檢測來進行故障診斷的方法。[0016]有利地，本發(fā)明所公開的通過軸承噪聲檢測進行故障診斷的方法及系統(tǒng)可以在無需軸承信息的情況下實現(xiàn)通過自動軸承噪聲檢測進行故障判斷，從而通過提高軸承噪聲自動檢測模型的泛化能力來提高軸承噪聲檢測的精度及效率。附圖說明[0017]所述系統(tǒng)參照下列描述并結(jié)合附圖可被更好地理解。圖中的部件不是按比例的，而是將重點放在說明本發(fā)明的原理。此外，在圖中，相似或相同參考數(shù)字代表相似或相同元[0018]圖1示意性示出了根據(jù)本發(fā)明的一個或多個實施例的對用于通過對軸承噪聲的檢測來進行故障識別的方法流程圖。[0019]圖2示意性示出了根據(jù)本發(fā)明的一個或多個實施例的對采集的軸承噪聲進行預處理的方法流程圖。[0020]圖3示意性示出了根據(jù)本發(fā)明的一個或多個實施例的軸承故障診斷模型簡圖。6[0021]圖4示意性示出了根據(jù)本發(fā)明的軸承故障診斷模型的一個網(wǎng)絡模型示例。具體實施方式[0022]應當理解，給出實施例的以下描述僅僅是為了說明的目的，而不是限制性的。在附圖中示出的功能塊、模塊或單元中的示例的劃分不應被解釋為表示這些功能塊、模塊或單元必須實現(xiàn)為物理上分離的單元。示出或描述的功能塊、模塊或單元可以實現(xiàn)為單獨的單電路元件或單元中實現(xiàn)。[0023]圖1示意性示出了根據(jù)本發(fā)明的一個或多個實施例的對用于通過對軸承噪聲的檢測來進行故障識別的方法流程圖。[0024]參考圖1,在S101處，可以通過傳感器，例如一個或多個振動傳感器，來采集軸承檢測中的噪聲，該噪聲包括由軸承故障引起的軸承噪聲，并且該噪聲還包括工況噪聲。在S102處，可以執(zhí)行對通過傳感器采集到的噪聲信號進行預處理。在S103處，將預處理后的信號輸入到軸承故障診斷模型進行診斷?？蛇x地，在S104處，存儲和/或輸出故障診斷結(jié)果。例如，輸出的故障診斷結(jié)果可以通過顯示設備顯示給操作員/用戶或者通過警報裝置發(fā)出警報音以提醒操作員/用戶檢測到軸承故障，或者將故障診斷結(jié)果存儲起來以在操作員/用戶調(diào)用結(jié)果時顯示給操作員/用戶。[0025]圖2示意性示出了根據(jù)本發(fā)明的一個或多個實施例的對采集的軸承噪聲數(shù)據(jù)進行預處理的示例性方法流程圖。[0026]首先，在S201處，可以對采集的噪聲信號進行濾波。例如，可以通過采用帶寬為500Hz-10000Hz的帶通濾波器對噪聲信號進行濾波。在實際操作中，可以根據(jù)實際情況來調(diào)整帶通濾波器的帶寬范圍，例如可以基于工況轉(zhuǎn)速和載荷中的至少一個對帶通濾波器的帶寬進行調(diào)整。[0027]接著，對濾波后的噪聲信號進行兩路并行處理。一路處理是在時域中對濾波后的信號進行處理，另一路處理是在頻域中對濾波后的信號進行處理。例如，在S202處，可以獲取濾波后的信號的時域波形數(shù)據(jù)(即，時間序列數(shù)據(jù))作為第一時域信號。例如，在S203處，可以對濾波后的信號進行傅里葉變換，以將濾波后的時域信號轉(zhuǎn)換成頻域信號，并且計算出頻域信號的頻譜包絡數(shù)據(jù)(例如ENV數(shù)據(jù))作為第二頻域信號。[0028]在S204處，可以對時域波形數(shù)據(jù)(時域包絡數(shù)據(jù))和頻域頻譜包絡數(shù)據(jù)進行歸一化處理。并且，根據(jù)軸承故障診斷模型對輸入信號的長度要求，以恒定長度對時域波形數(shù)據(jù)和頻域頻譜包絡數(shù)據(jù)分別進行重采樣。例如，通常優(yōu)選的恒定長度為128*128.然而，本領域的技術人員可以理解的是，可以根據(jù)實際需求以及軸承故障診斷模型的具體設計，匹配性地采用其他恒定長度。隨后，重采樣后的時域波形數(shù)據(jù)和頻域頻譜包絡數(shù)據(jù)被輸入到軸承故障診斷模型，以進行故障識別。本領域的技術人員可以理解，上述對數(shù)據(jù)進行預處理的步驟可以被順序和/或并行執(zhí)行。[0029]以下將參考圖3和圖4來介紹本發(fā)明的一些實施例所設計的軸承故障診斷模型。本發(fā)明的一些實施例的軸承故障診斷模型是基于深度神經(jīng)網(wǎng)絡來設計的。圖3是根據(jù)本發(fā)明的一個或多個實施例的軸承故障診斷模型示意簡圖。如圖3所示，本發(fā)明的軸承故障診斷模型可以劃分成兩個部分，第一部分是基于卷積神經(jīng)網(wǎng)絡(CNN)的特征提取模型，第二部分是7基于全連接網(wǎng)絡的故障判別模型。此外，本實施例的軸承故障診斷模型同時考慮兩種數(shù)據(jù)輸入，即時域包絡信號數(shù)據(jù)和頻域包絡譜線數(shù)據(jù)，并且通過同時對時域沖擊峰和頻域故障頻率峰兩種模式進行自動特征提取，最終識別故障。具體來說，利用卷積網(wǎng)絡中的池化技術，選擇特定的池化函數(shù)(例如最大值函數(shù)),提取卷積后譜線局部的峰值，通過多級卷積提取穩(wěn)定的峰值特征。峰值本身代表在某一特定時間或者特定頻譜上的沖擊，該沖擊往往是因設備的部分故障(例如，軸承故障)導致，正常軸承一般沒有明顯的沖擊。另外，同時選擇其他的池化函數(shù)(例如平均值),提取卷積后譜線的均值，代表時域和頻域上的平均能量，這往往代表平均工況振動和/或噪聲，隨著軸承故障的不斷明顯，檢測過程中的整體噪聲也會越來越大。通過特征提取模型實現(xiàn)從時域/頻域兩種不同包絡線上提取的與故障沖擊相關的特征(例如局部峰值)和與軸承平均噪聲/振動的特征(例如局部均值),為對軸承健康狀態(tài)判斷的有效參數(shù)。通常在良好的軸承條件下，軸承平均振動很小，與故障沖擊相關的特征無論在頻域還是時域都會非常明顯，易于檢測；但單純基于該特征的檢測也容易出現(xiàn)過早判別，把軸承的故障判別的過于嚴重，而產(chǎn)生不必要的浪費，如過多不良率或者額外的維護檢測成本等。但隨著軸承的健康狀態(tài)不斷惡化，不僅局部沖擊增加，軸承的平均噪聲也會隨之增加。該等故障特征在時域和頻域上表現(xiàn)會差別很大，有時在時域上不明顯，但在頻域上會凸顯出來。此外，基于復雜的因素，使用固定的閾值來基于上述方案進行檢測的結(jié)果并不理想。本發(fā)明的上述實施例，基于諸如神經(jīng)網(wǎng)絡等算法模型，能夠從大量的數(shù)據(jù)中，對不同狀態(tài)的有標簽的數(shù)據(jù)進行學習，最終實現(xiàn)模型收斂，達到良好的識別率。需要說明的是，盡管本發(fā)明的上述實施例主要以神經(jīng)網(wǎng)絡作為示例，但該等示例并非用于限制，任何使用與神經(jīng)網(wǎng)絡類似的算法模型，并基于本發(fā)明的上述實施例所示的精神、思想等來實現(xiàn)本發(fā)明的方案，均應包含在本發(fā)明的范圍內(nèi)。[0030]參考圖3,上述參考圖2說明的預處理后的數(shù)據(jù)作為輸入數(shù)據(jù)被輸入到軸承故障診斷模型的第一部分，即基于CNN網(wǎng)絡的特征提取模型。本發(fā)明的特征提取模型包括兩個獨立的分支子模型，以分別對輸入的時域包絡和頻域包絡單獨處理。兩個獨立的分支子模型可以分別實現(xiàn)對時域信號和頻域信號的特征提取。[0031]例如，圖3(左半部分)示意性示出了對時域信號進行特征提取的第一子模型，其利用卷積核從時域包絡譜線上并行提取局部峰值和平均值。其中，局部峰值代表可能的故障沖擊，局部平均值代表工況下的噪聲水平。經(jīng)過卷積后的峰值和平均值是用于故障檢測的自提取關鍵特征。出于示例性說明原理的目的，圖3省略了多層網(wǎng)絡結(jié)構(gòu)，僅僅以簡圖的形式示意性地示出了網(wǎng)絡結(jié)構(gòu)，而在實際操作中，往往可以根據(jù)實際情況設計多層網(wǎng)絡，以保證提取各種峰值的穩(wěn)定性，以及減少峰值對頻譜位置的敏感度。經(jīng)過多層網(wǎng)絡得出的局部峰值和平均值被合并，以計算出第一子模型的與時域沖擊峰相關聯(lián)的第一特征。[0032]類似的，圖3(右半部分)示意性示出了對頻域信號進行特征提取的第二子模型，其同樣利用卷積核從頻域包絡譜線上提取局部峰值和平均值。并且，將經(jīng)過多層網(wǎng)絡得出的局部峰值和平均值合并，以計算出第二子模型的與故障頻率峰相關聯(lián)第二特征。[0033]接下來，將計算出的第一子模型的第一特征和第二子模型的第二特征輸入到基于全連接網(wǎng)絡的故障判別模型，并進行特征合并。并且，通過綜合故障沖擊特征和工況噪聲特征，最終利用多層的全連接網(wǎng)絡實現(xiàn)基于特征的故障判別。多層的全連接網(wǎng)絡實現(xiàn)一個特殊的分類器，根據(jù)故障和工況噪聲，能正確的區(qū)分正常軸承和故障軸承，故障軸承往往有更8[0034]圖4示出了本發(fā)明的一個示例性軸承故障診斷模型的深度神經(jīng)元網(wǎng)絡模型。該模過卷積提取局部峰值的卷積層conv1D_4:Conv1D,conv1D_5:Conv1D,conv1D_6:Conv1D,和用于通過卷積提取局部平均值的卷積層conv1D_7:Conv1D,conv1D_8:Conv1D,conv1D_9:max_pooling1d_4:maxPooling1D,max_pooling1d_5:MaxPooling1D,以及用于提取平均值的平均池化層average_pooling1d_2:AveragePooling1D,average_pooling1d_3:AveragePooling1D,average_pooling1d_4:AveragePooling1D。本領域的技術人員可以理需求設計更多或更少的卷積層和池化層。的數(shù)據(jù)經(jīng)過展平層flattern_3:Flattern展平為一維峰值數(shù)據(jù)，從平均池化層average_pooling1d_4:AveragePooling1D輸出的代表平均值的數(shù)據(jù)經(jīng)過展平層flattern_4:Flattern展平為一維平均值數(shù)據(jù)。將展平后的一維峰值數(shù)據(jù)和一維平均值數(shù)據(jù)在合并層緊密層dense_2:Dense之后輸入到合并層concatenate_2:Concatenate,以與從對頻域信號進行特征提取的第二子模型中提取的第二特征進行合并。于通過卷積提取局部峰值的卷積層conv1D_1:Conv1D,conv1D_2:Conv1D,以及用于通過卷于提取局部峰值的最大池化層，max_pooling1d_1:MaxPooling1D,max_pomaxPooling1D,以及用于提取平均值的平均池化層average_pooling1d_1:[0038]例如，進入第二子模型的頻域信號在一個分支經(jīng)過卷積層經(jīng)過層flattern_1:Flattern展平為一維峰值數(shù)據(jù)。同一個分支經(jīng)過卷積層conv1D_3:Conv1D和平均池化層average_pooling1d_1:AveragePooling1D之后從平均池化層輸出的代表平均值的數(shù)據(jù)不再經(jīng)過另外的卷積層和9池化層，而是直接經(jīng)過層flattern_2:Flattern展平為一維平均值數(shù)據(jù)。隨后，展平后的一維峰值數(shù)據(jù)和一維平均值數(shù)據(jù)在合并層concatenate_1:Concatenate進行合并，以提取出第二子模型的第二特征。該第二特征經(jīng)過緊密層dense_1:Dense之后輸入到合并層concatenate_3:Concatenate,以與從第一子模型中提取的第一特征進行合并。[0039]可以看出，兩個子模型中的卷積層和池化層的數(shù)量可以不同，同一子模型中的最大池化層和平均池化層的數(shù)量也可以不同。本領域的技術人員可以理解，這些卷積層、池化層的數(shù)量根據(jù)具體實際操作不同而不同。同樣，合并層、展平層、密集層的數(shù)量也可以根據(jù)具體要求不同而不同，或者可以省略其中部分層。[0040]通過第一子模型提取的第一特征和通過第二子模型提取的第二特征輸入到基于全連接網(wǎng)絡的故障判別模型，并且首先在合并層concatenate_3:Concatenate中合并。通過綜合故障沖擊特征和工況噪聲特征，進一步通過例如包括dense_3:Dense,dropout_1:Dropout,dense_4:Dense,dense_5:Dense的多層全連接網(wǎng)絡實現(xiàn)基于特征的故障判別。[0041]通過本發(fā)明上述實施例設計的軸承故障診斷模型，可以在沒有任何軸承信息和速度信息的情況下實現(xiàn)自動軸承故障診斷模型。在構(gòu)建本發(fā)明的軸承故障診斷模型時，可以從所有歷史故障數(shù)據(jù)庫中收集典型故障模式，形成故障模式原始數(shù)據(jù)集，以用于對本發(fā)明的上述實施例的故障診斷模型進行訓練。本發(fā)明的上述實施例的故障診斷模型僅通過將軸承檢測中的振動(噪聲)波形形狀或具體圖案與典型故障模式進行比較來診斷軸承故障，而無需任何詳細的軸承信息和速度信息。在大多數(shù)情況下，波形形狀和具體圖案比絕對幅度值重要得多。在訓練時，同樣在將故障模式原始數(shù)據(jù)集輸入本發(fā)明的神經(jīng)網(wǎng)絡模型之前，需要對原始數(shù)據(jù)集進行預處理。該預處理方法與上述結(jié)合圖2說明的預處理方法一樣，在此不再重復說明。此外，為了擴大訓練數(shù)據(jù)集，還可以從歷史故障數(shù)據(jù)庫中隨機抽取數(shù)據(jù)的頻譜包絡曲線數(shù)據(jù)和時間序列曲線數(shù)據(jù)，并隨機添加了白噪聲以生成更多訓練數(shù)據(jù)集。同時，在實際檢測中檢測出的故障類型數(shù)據(jù)也可以不斷的存儲到原始數(shù)據(jù)集中，以對原始訓練數(shù)據(jù)集進行擴充和更新。[0042]本發(fā)明中設計的特殊的軸承故障診斷模型結(jié)構(gòu)可以提供更好的泛化能力。該模型結(jié)構(gòu)可直接用于不同的軸承類型、潤滑脂類型、密封類型等。并且本發(fā)明的故障診斷模型結(jié)構(gòu)除了應用在軸承制造中之外，還可以用于任何包括軸承的機械結(jié)構(gòu)的故障診斷過程中，以實現(xiàn)自動診斷。本發(fā)明的方法還適合于在公共云中建立模型，并連接到任何客戶端以在無軸承類型的情況下診斷軸承故障。例如，本發(fā)明的軸承噪聲檢測方法可用于風力渦輪機中的主要軸承故障診斷，而無需渦輪機類型和軸承信息，由此極大的節(jié)約了計算時間和成本，進而提高了檢測效率。本發(fā)明的方法還可以擴展到不同的應用，例如變速箱故障檢測，不平衡故障檢測等。[0043]本發(fā)明的一個或多個實施例還提供了一種用于軸承噪聲檢測的系統(tǒng)。該系統(tǒng)包括數(shù)據(jù)采集器，例如振動傳感器。該數(shù)據(jù)采集器被配置為采集軸承檢測中的振動(噪聲)信號。本發(fā)明的系統(tǒng)還可以包括與數(shù)據(jù)采集器連接的處理器。本發(fā)明的處理器作為整體可為微處算機或手機)等。處理器可以被配置為執(zhí)行以下方法：對采集的振動(噪聲)信號進行預處理，以獲得時域信號以及頻域信號；以及將時域信號以及頻域信號輸入軸承故障診斷模型。其中，該軸承故障診斷模型包括特征提取模型和故障判別模型，特征提取模型分別對時域信號以及頻域信號進行特征提取，以獲得與時域沖擊峰相關聯(lián)的第一特征和與故障頻率峰相關聯(lián)的第二特征。故障判別模型將第一特征和第二特征合并，以獲得故障識別結(jié)果。該系統(tǒng)還可以包括與處理器連接的存儲器。該存儲器可以存儲原始故障數(shù)據(jù)集以及可以存儲獲得的故障識別結(jié)果以更新原始故障數(shù)據(jù)集。[0044]本文描述的處理器、存儲器或系統(tǒng)中的任何一個或多個包括計算機可執(zhí)行指令，所述計算機可執(zhí)行指令可以從使用各種編程語言和/或技術創(chuàng)建的計算機程序中編譯或解釋。一般來說，處理器(諸如微處理器)例如從存儲器、計算機可讀介質(zhì)等接收指令并執(zhí)行指令。處理器包括能夠執(zhí)行軟件程序的指令的非暫態(tài)計算機可讀存儲介質(zhì)。計算機可讀介質(zhì)可以是但不限于電子存儲裝置、磁性存儲裝置、光學存儲裝置、電磁存儲裝置、