(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211264745.X (22)申请日 2022.10.17 (71)申请人 华东交通大 学 地址 330013 江西省南昌市经济技 术开发 区双港东大街808号 (72)发明人 周建民　杨晓彤　尹洪妍　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 何世磊 (51)Int.Cl. G01M 13/045(2019.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于模糊宽度学习模型的轴承故障诊 断方法 (57)摘要 本发明提供了一种基于模糊宽度学习模型 的轴承故障诊断方法， 包括： 构建基于宽度学习 系统和模糊系统的初始模糊宽度学习模型； 通过 训练集数据对所述输出模糊宽度学习模型进行 训练， 得到目标模糊宽度学习模型， 所述训练集 数据包括多个带有故障类型标签的轴承振动信 号数据； 利用所述目标模糊宽度学习模型计算出 待测试轴承振动信号数据的隶属度值， 并根据所 述隶属度值判断待测试轴承的故障类型。 通过本 申请， 不仅大大缩短了学习时间， 同时通过本模 型来判断待测试轴承的故障类型， 鲁棒性强， 诊 断速度快， 故障诊断精度也很高。 权利要求书2页 说明书10页 附图3页 CN 115326398 A 2022.11.11 CN 115326398 A 1.一种基于模糊宽度学习模型的轴承故障诊断方法， 其特 征在于， 包括： 采集运行中的轴承上的振动信号数据， 并对所述振动信号数据进行 预处理； 从预处理后的所述振动信号数据中提取时域特征参数、 频域特征参数以及时频域特征 参数； 对所述时域特征参数、 所述频域特征参数以及所述 时频域特征参数依次进行融合及归 一化处理， 得到融合数据集， 并将所述融合数据集按照预设比例划分为训练集数据和测试 集数据； 构建基于 宽度学习 系统和模糊系统的初始模糊宽度学习模型； 通过所述训练集数据对所述初始模糊宽度 学习模型进行训练， 得到目标模糊宽度 学习 模型； 利用所述目标模糊宽度 学习模型计算出待测试轴 承振动信号数据的隶属度值， 并根据 所述隶属度值判断待测试轴承的故障类型。 2.根据权利要求1所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 对 所述振动信号数据进行 预处理的步骤 包括： 从所述振动信号数据中提取不同振动信号数据特 征； 裁剪所述振动信号数据， 得到多个振动信号样本， 各所述振动信号样本均匹配一个所 述振动信号数据特 征。 3.根据权利要求1所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 所 述归一化处理的函数表达式如下 所示： 其中， 为所述时域特征参数、 所述频域特征参数和所述时频域特征参数融合后构成的 总特征集， 为归一化后的特征集， 为总特征集的最小值， 为总特征集的最大 值。 4.根据权利要求1所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 构 建基于宽度学习 系统和模糊系统的初始模糊宽度学习模型的步骤 包括： 将模糊系统中的模糊子系统替换宽度学习 系统中的特 征节点； 将替换至所述宽度学习系统中的模糊子系统产生的中间输出发送至所述宽度学习系 统的增强节点进行非线性变换； 整合来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点 的输入， 以构建初始模糊宽度学习模型， 所述初始模糊宽度学习模型根据整合后的来自替 换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入来生成模 型输出。 5.根据权利要求1所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 通 过所述训练集数据对所述初始模糊宽度学习模型进行训练， 得到目标模糊宽度学习模型的 步骤之后， 所述方法还 包括： 利用所述测试集数据对所述目标模糊宽度 学习模型进行测试， 并根据测试结果判断所 述目标模糊宽度学习模型 是否合格；权　利　要　求　书 1/2 页 2 CN 115326398 A 2若是， 则执行利用所述目标模糊宽度 学习模型计算出待测试轴 承振动信号数据的隶属 度值的步骤。 6.根据权利要求1所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 所 述目标模糊宽度学习模型包括模糊宽度学习算法， 利用所述目标模糊宽度学习模型计算出 待测试轴承振动信号数据的隶属度值， 并根据所述隶属度值判断相应的待测试轴承的故障 类型的步骤 包括： 通过所述模糊宽度学习算法计算出待测试轴 承振动信号数据的隶属度值， 并根据 所述 隶属度值计算出 所述待测试轴承 振动信号数据的分类矩阵； 根据故障样本特 征库和所述分类矩阵判断所述待测试轴承的故障类型。 7.根据权利要求6所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 根 据故障样本特征库和所述分类矩阵判断所述待测试轴承的故障类型之前， 所述方法还包 括： 构建故障样本特征库， 所述故障样本特征库包括多个带有故障类型标签的历史轴承振 动信号样本， 各 所述故障类型 标签匹配有一个标签矩阵。 8.根据权利要求7所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 所 述构建故障样本特 征库之后， 所述方法还 包括： 基于所述故障样本特征库， 通过所述模糊宽度学习 模型对已知故障类型的样本进行分 类。 9.根据权利要求7所述的基于模糊宽度 学习模型的轴 承故障诊断方法， 其特征在于， 所 述分类矩阵的计算公式如下 所示： 其中， 为目标函数， 为任意数据点 相对聚类中心 的隶属度值， 为任意数据点 相对聚类中心 的欧氏距离， 为分类矩阵， 为聚类中心向量， 为第 个输入样 本， 为第 个聚类中心向量， 为聚类中心向量的数量， 为输入样本的数量， 为模糊加权指 数， 为转置符号。 10.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法， 其特征在于， 所述初始模糊宽度学习模型包括模糊子系统、 增强节点和系统输出， 通过所述训练集数据 对所述初始模糊宽度学习模型进行训练， 得到目标模糊宽度学习模型的步骤 包括： 将所述训练集数据输入至所述初始模糊宽度学习模型后， 持续调整所述模糊子系统、 所述增强节点以及所述系统输出 的参数值， 直至输出最优结果， 以得到目标模糊宽度学习 模型。权　利　要　求　书 2/2 页 3 CN 115326398 A 3