【技术实现步骤摘要】
基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
本专利技术涉及轴承故障诊断方法
，尤其涉及一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法。
技术介绍
滚动轴承在机械中使用十分广泛，它是机械部件的重要组成部分，但是也是机械中最容易出现故障的部件之一。近年来，国内外因为轴承故障而发生的重大事故屡有发生，造成重大的损失。因此对轴承进行故障诊断就显得尤为重要，在轴承发生故障时能够及时的检测和维修，对设备运转的可靠性有很大的帮助，也能避免造成不必要的损失。对滚动轴承进行故障诊断可以采用传统的方法，但是传统的方法在特征提取和故障分类手段上对相关人员的要求性过高，并且当振动信号混杂了噪声信号后，特征提取的困难也会增加，而故障轴承振动信号的小波时频图可以很好的显示故障频率及其对应的能量信息，通过深度神经网络进行特征提取，以进行故障分类。在深度学习中，普通的卷积神经网络都取得了不错的效果，但是随着网络层数的加深，模型的复杂度也越来越高，运算量也越来越多，反应时间也会变长，对设备的要求也会更高。网络层数加深...
【技术保护点】
1.一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于包括如下步骤：/n对轴承的振动信号数据进行数据集划分并构建对应的故障标签，然后采用复Morlet小波变换对数据集进行时频转换，获得二维时频图像数据集；/n构建轻量级卷积神经网络模型；/n利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型，得到训练好的分类器；/n利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类，得到分类结果；/n根据分类的结果得出轴承是否发生故障。/n
【技术特征摘要】
1.一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于包括如下步骤：
对轴承的振动信号数据进行数据集划分并构建对应的故障标签，然后采用复Morlet小波变换对数据集进行时频转换，获得二维时频图像数据集；
构建轻量级卷积神经网络模型；
利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型，得到训练好的分类器；
利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类，得到分类结果；
根据分类的结果得出轴承是否发生故障。
2.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述对轴承的振动信号数据进行数据集划分并构建对应的故障标签的方法如下：
采取多种故障类型和健康状态的轴承振动信号，将轴承振动信号按照一定的长度划分并按照比例随机划分为训练数据集、验证数据集和测试数据集，并对数据集打上分类标签。
3.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，复Morlet小波变换的计算公式为：
其中t代表时间，ω代表无量纲频率。
4.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述轻量级网络模型包括：1个卷积层、14个轻量级卷积结构单元、1个池化层、1个全连接层和一个分类输出层。
5.如权利要求4所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于：所述轻量级卷积神经网络中的卷积层的卷积核为3x3，步长为2，池化层的卷积核大小为2x2，步长为2，分类输出层为10个神经元，共10个故障类别。
6.如权利要求5所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述轻量级卷积结构单元有两种：轻量级卷积结构a单元和轻量级卷积结构b单元，在模型结构中，14个轻量级卷积结构单元包括4个所述a单元和10个所述b单元；
所述轻量级卷积结构a单元包括：卷积操作模块、ChannelSplit操作模块、Concat操作模块和ChannelShuffle操作模块，所述轻量级卷积结构a单元输入端经过一层卷积操作后分为两个分支，其中的一个分支经三个卷积层与Concat操作模块连接，另一个分支经所述ChannelSplit操作模块后又分为两个分支，这两个分支中的一个分支直接与Concat操作模块连接，另一个分支经三个卷积层后与Concat操作模块连接，所述Concat操作模块的输出端与ChannelShuffle操作模块的输入端连接，所述ChannelShuffle操作模块的输出端为轻量级卷积结构a单元的输出端；
所述轻量级卷积结构b单元包括：Chann...
【专利技术属性】
技术研发人员：赵志宏，李春秀，张然，杨绍普，吴冬冬，孙诗胜，刘克俭，马新娜，陈恩利，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。