技术摘要：
一种滚动轴承故障诊断方法，通过训练多任务卷积神经网络模型，用滚动轴承的振动信号对滚动轴承的故障类型和故障严重程度进行诊断，包括以下步骤：S1，测量9个分别包含一种故障类型和严重程度的滚动轴承和1个无故障的滚动轴承的振动信号；S2，对每个振动信号打上8位的故  全部
背景技术：
滚动轴承是应用非常广泛的机械通用零部件，主要功能为对轴进行支撑，滚动轴 承保持良好的工作状况，对机械设备的安全运行非常重要。因此，对滚动轴承的故障类型和 故障严重程度进行准确的诊断，是保证机械正常运行的基础。 现有的滚动轴承故障诊断方法多采用卷积神经网络模型进行诊断，需要对滚动轴 承的不同故障类型分别建立诊断模型，实际应用中需要先判断故障类型，再根据故障类型 选择对应的模型来诊断故障严重程度，操作复杂，运算量大，效率较低，从而影响机械设备 的故障诊断效率。
技术实现要素：
本发明的目的在于提供一种能够高效准确的对滚动轴承的故障类型和故障严重 程度同时进行诊断的一种滚动轴承故障诊断方法。 本发明的一种滚动轴承故障诊断方法，通过训练多任务卷积神经网络模型，用滚 动轴承的振动信号对滚动轴承故障类型和故障严重程度进行诊断，包括以下步骤： S1.取10个同样型号的滚动轴承，其中1个轴承无故障，另外9个轴承分别用电火花 加工技术设置一种故障，9种故障分别为：外圈轻微故障、中度故障、严重故障，内圈轻微故 障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障； S2.在实验台上，对每个轴承都在同一转速下用振动传感器采集其振动信号； S3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签； S4.建立多任务卷积神经网络模型，其输入为轴承的振动信号，输出为故障标签， 用步骤S2中得到的振动信号对多任务卷积神经网络模型进行训练； S5.在步骤S2中的实验台和转速下，采集待诊断滚动轴承的振动信号； S6.将步骤S5中测量得到的振动信号输入步骤S4训练后的多任务卷积神经网络模 型中，获得待诊断滚动轴承的故障标签； S7.将步骤S6获得的故障标签解读为待诊断轴承的故障类型和严重程度。 本发明的有益效果如下： 本发明对轴承的3种故障类型分别建立3种故障严重程度，利用滚动轴承的振动信 号对建立的多任务卷积神经网络模型进行训练，用训练后的模型来诊断滚动轴承的故障类 型和故障严重程度。多任务卷积神经网络模型能够同时对滚动轴承的故障类型和故障严重 程度进行诊断，可以有效提高模型的训练和诊断效率，从而提高对滚动轴承故障诊断的准 确性和诊断效率，有效保障机械的正常运转。 下面结合附图对本发明的一种滚动轴承故障诊断方法作进一步详细说明。 3 CN 111595582 A 说　明　书 2/2 页 附图说明 图1为本发明实施方法的示意图； 图2为故障标签示意图。