1.一种滚动轴承类不平衡故障诊断方法,其特征在于,包括以下步骤:S10:对在故障状态下获取的少数类故障样本进行变参数时频分析,对在正常状态下获取的多数类正常样本进行单个参数时频分析,获得类平衡的时频特征数据集;
S20:设计时频注意力机制网络模型,利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理,获得时频特征增强数据集;
S30:搭建深度学习网络模型,将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端,构建故障诊断模型;
S40:利用所述时频特征增强数据集对构建的故障诊断模型进行训练,获得训练好的故障诊断模型;
S50:对未知健康状态的轴承振动信号进行单个参数时频分析,获得时频特征,将所述时频特征输入到训练好的故障诊断模型中,得到所述轴承的健康状态;
在S10中,对在故障状态下获取的少数类故障样本进行变参数时频分析,包括:采用不同的参数进行时频分析,参数的个数为使故障样本时频特征的个数与正常样本的个数相同。
2.根据权利要求1所述的滚动轴承类不平衡故障诊断方法,其特征在于,在S10中,对在正常状态下获取的多数类正常样本进行单个参数时频分析,包括:采用一个固定的参数进行时频分析,该参数是变参数时频分析中多个参数中的一个。
3.根据权利要求1所述的滚动轴承类不平衡故障诊断方法,其特征在于,在S20中,利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理,包括:利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。
4.根据权利要求1所述的滚动轴承类不平衡故障诊断方法,其特征在于:S10中的单个参数时频分析的方法和S50中的单个参数时频分析的方法相同。
5.根据权利要求1所述的滚动轴承类不平衡故障诊断方法,其特征在于:在S40中,模型训练方法包括自适应矩估计算法、随机梯度下降法以及均方根传递算法。
6.一种滚动轴承类不平衡故障诊断系统,其特征在于,包括:
数据增强模块,所述数据增强模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析,对在正常状态下获取的多数类正常样本进行单个参数时频分析,获得类平衡的时频特征数据集;
特征增强模块,所述特征增强模块用于设计时频注意力机制网络模型,利用所述时频注意力机制网络模型对所述时频特征数据集进行特征增强处理,获得时频特征增强数据集;
故障诊断模型构建模块,所述故障诊断模型构建模块用于搭建深度学习网络模型,将所述深度学习网络模型嵌入所述时频注意力机制网络模型的后端,构建故障诊断模型;
模型训练模块,所述模型训练模块用于利用所述时频特征增强数据集对构建的故障诊断模型进行训练,获得训练好的故障诊断模型;
故障诊断模块,所述故障诊断模块用于对未知健康状态的轴承振动信号进行单个参数时频分析,获得时频特征,将所述时频特征输入到训练好的故障诊断模型中,得到所述轴承的健康状态;
所述数据增强模块包括:
故障样本数据增强子模块,所述故障样本数据增强子模块用于对在故障状态下获取的少数类故障样本进行变参数时频分析,采用不同的参数进行时频分析,参数的个数为使故障样本时频特征的个数与正常样本的个数相同。
7.根据权利要求6所述的滚动轴承类不平衡故障诊断系统,其特征在于,所述数据增强模块包括:正常样本时频分析子模块,所述正常样本时频分析子模块用于对在正常状态下获取的多数类正常样本进行单个参数时频分析,采用一个固定的参数进行时频分析,该参数是变参数时频分析中多个参数中的一个。
8.根据权利要求6所述的滚动轴承类不平衡故障诊断系统,其特征在于,所述特征增强模块包括:时频特征增强子模块,所述时频特征增强子模块用于利用所述时频注意力机制网络模型给时频特征数据集中的各频率信息和时间信息赋予不同的权重进行特征增强。