1.一种基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,包括:获取原始轴承故障振动数据,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,计算每个所述本征模态分量对应的排列熵值,根据所述排列熵值进行小波阈值去噪,获取降噪重构的时域信号;
将所述降噪重构的时域信号进行快速傅里叶变换,获得时域信号对应的频域信号和相位角,根据预设规则重构所述频域信号,保留所述相位角特征的频域数据,根据振幅范围,绘制不同故障类型数据的FFT-x热力图;
所述绘制不同故障类型数据的FFT-x热力图,包括:
将所述降噪重构的时域信号通过快速傅里叶变换分解为若干单一谐波分量,获取信号各谐波幅值、相位、功率与频域的关系;
当所述相位角所在区间为一、二象限时,频域数值为正值,当所述相位角在三、四象限时,频域数值为负值,按此特性重构所述频域信号,根据重构频域信号的振幅特性,设置边界为(-150,150)进行热力图编码;
构建改进的轻量化卷积神经网络模型L-CNN,将所述FFT-x热力图中的编码数据输入L-CNN模型中进行处理与诊断,获得故障诊断结果;
将所述FFT-x热力图中的编码数据输入所述L-CNN模型中进行处理与诊断,包括:使用不同大小的卷积核从不同尺度下捕捉所述FFT-x编码数据不同级别的特征,将捕捉到的特征经过ECA注意力机制由全局平均池化、一维卷积、通道乘法和空间复制结构对每个通道的重要性加权;
通过深度可分离卷积处理输入FFT-x编码图颜色特征的通道维度和空间维度,获取特征图,利用ChannelSplit模块和ChannelShuffle模块将所述特征图在不同深度和不同组之间交换通道顺序,改变通道排列方式,基于残差和深度可分离卷积进一步提取数据特征,最后通过平均池化和两个全连接层输出故障诊断结果。
2.根据权利要求1所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,包括:S1.1、将具有正态分布的高斯白噪声添加到所述原始轴承故障振动数据中获取第i个信号yS1.2、将所述残差分量r
S1.3、重复所述S1.2,获得第(k+1)个本征模态函数IMF
3.根据权利要求2所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,根据所述排列熵值进行小波阈值去噪,包括:根据所述排列熵值判断每个本征模态分量的含噪程度,通过所述含噪程度将各个所述本征模态分量划分为有效IMF和含噪IMF;
基于所述含噪IMF的数据特征选择小波基和分解层数对含有噪声的轴承故障振动数据进行分解,计算小波系数,选择Sqtwolog阈值计算每个所述小波系数对应的阈值并对所述小波系数进行量化处理;
将量化后的小波系数进行小波反变换获取降噪的IMF,再由所述有效IMF和所述降噪的IMF重构轴承振动信号,获得所述降噪重构信号。
4.根据权利要求3所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,计算所述小波系数的方法为:其中,I
计算每个所述小波系数对应的阈值的方法为:
其中,th为每个小波系数对应的阈值,mid为经过分解后各频带系数的中间值,N为小波系数长度。
5.根据权利要求1所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,所述重构频域信号的表达式为:其中,F(x)为重构频域信号,f(x)为原始轴承频域信号,θ为相位角。
6.根据权利要求1所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,评估所述改进的轻量化卷积神经网络模型的目标函数为交叉熵损失函数:Loss为模型损失值,y