本发明公开了一种基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法：首先,采用短时傅里叶变换STFT将原始振动数据转换为二维时频图,充分提取健康状态信息,对得到的时频图进行灰度处理以便后续模型输入；其次,利用高斯可视单元构造了新的高斯矩阵变量卷积深度信念网络GMVCDBN模型,对转换后的时频信息自动构造健康状态指标；最后,拟合健康状态指标概率分布函数,自学习预警控制极限。将本发明应用于滚动轴承实验振动信号的分析,能够实现滚动轴承的早期故障检测,降低误报率和漏报率,具有较好的泛化性,能更有效地跟踪故障传播趋势和估计轴承的动态退化行为。
