基于小波改进的MobileNet网络的轴承故障边缘诊断方法及系统技术方案

本发明专利技术公开了一种基于小波改进的MobileNet网络的轴承故障边缘诊断方法及系统，方法包括对采集的轴承振动数据进行发布；将采集的历史振动数据输入到改进MobileNetV3

【技术实现步骤摘要】
基于小波改进的MobileNet网络的轴承故障边缘诊断方法及系统


[0001]本专利技术涉及一种基于小波改进的MobileNet网络的轴承故障边缘诊断方法及系统，属于机械设备的故障诊断领域。

技术介绍

[0002]在机械设备的故障诊断领域，卷积神经网络(Cvolutional neural network，CNN)在设备的故障诊断和状态监测方面取得了广泛的应用，诊断的精度也越来越高，在轴承的故障领域也取得了质的飞跃。然而，为了过分追求诊断的准确率，卷积神经网络的深度越来越深，其模型也越来越复杂，如残差网络(ResNet)其层数已经多达152层，参数量要以亿为单位进行计算，如果对它存储则需要五百多兆的磁盘空间，更不必说运算量已经到了三百多亿。如此大型的诊断模型一般都是部署到高性能、算力充足的CPU/GPU上进行运行，但也需要耗费一定的时间。移动设备、嵌入式系统由于硬件资源和算力的限制，很难直接部署复杂的CNN模型。另外，目前对设备状态实时评估的低延迟、快速响应的要求，使得大型模型的诊断与训练时间很难满足实时性要求；因此如何在保证模型准确率的同时，减少模型体积，提高模型运行速度，并能够在嵌入式平台上进行部署，已经成为了神经网络在工程中应用推广的必然要求。

技术实现思路

[0003]本专利技术提供了一种基于小波改进的MobileNet网络的轴承故障边缘诊断方法及系统，以用于根据采集的轴承振动实时波形数据训练基于小波改进的MobileNet网络并进一步实现边缘故障诊断。
[0004]本专利技术的技术方案是：一种基于小波改进的MobileNet网络的轴承故障边缘诊断方法，包括：
[0005]对采集的轴承振动数据进行发布；
[0006]将采集的历史振动数据输入到改进MobileNetV3
‑
Small网络进行训练得到诊断模型；
[0007]将实时采集的振动数据输入诊断模型进行故障诊断。
[0008]所述对采集轴承的振动数据进行发布具体为：通过上位机设置数据采集的通道配置和采样配置参数，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；对采集到的振动数据提取信号的趋势指标，并将趋势指标同振动数据的实时波形数据一起打包，将打包好的数据通过共享变量以网络发布的形式传输至上位机，通过上位机进行实时显示；同时采用UDP通信协议将打包好的数据上传到数据库进行存储；同时采用TCP通信协议将打包好的数据上传到树莓派嵌入式诊断系统。
[0009]所述实时控制器采用CompactRIO嵌入式平台，传感器采用IEPE加速度传感器；IEPE加速度传感器和采集卡通过传感器连接线连接，将IEPE加速度传感器安装在所测轴承
的上方，采集卡一侧插入到CompactRIO嵌入式平台插槽中；将上位机和CompactRIO嵌入式平台通过网线相连接。
[0010]所述将采集的历史振动数据输入到改进MobileNetV3
‑
Small网络进行训练得到诊断模型具体为：通过上位机下载数据库存储的历史波形数据，对历史波形数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入改进MobileNetV3
‑
Small网络进行训练得到诊断模型。
[0011]所述预处理操作具体为：归一化、打标签。
[0012]所述归一化为离差标准化；所述打标签具体为：采用唯一标识代表不同的轴承状态。
[0013]训练中，输入数据长度为2048，通过反向传播和Adam优化算法更新所有参数，损失函数的计算使用交叉熵损失函数，初始学习率被设定为0.001，衰减率为0.98；训练过程采用mini
‑
batch学习，大小设置为32。
[0014]所述改进MobileNetV3
‑
Small网络共有一个小波卷积层、5个bottleneck层、两个全连接层；使用Daubechies小波函数结构构造第一层卷积层中的卷积核。
[0015]所述改进MobileNetV3
‑
Small网络，具体参数如下：
[0016]第一层：小波卷积层：filter＝27，kernel_size＝55，strides＝1，padding＝"same"，activation＝h
‑
swish，input_shape＝2048
×
1，output_shape＝2048
×
27；
[0017]第二层：bottleneck层：filter＝16，kernel_size＝3，strides＝16，padding＝"same"，activation＝ReLu，pool＝MaxPooling，pool_size＝2，input_shape＝2048
×
27，output_shape＝64
×
16；
[0018]第三层：bottleneck层：filter＝32，kernel_size＝3，strides＝1，padding＝"same"，activation＝ReLu，pool＝MaxPooling，pool_size＝2，input_shape＝64
×
16output_shape＝32
×
32；
[0019]第四层：bottleneck层：filter＝64，kernel_size＝3，strides＝1，padding＝"same"，activation＝ReLu，pool＝MaxPooling，pool_size＝2，input_shape＝32
×
32，output_shape＝16
×
64；
[0020]第五层：bottleneck层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h
‑
swish，pool＝MaxPooling，pool_size＝2，input_shape＝16
×
64，output_shape＝8
×
64；
[0021]第六层：bottleneck层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h
‑
swish，pool＝MaxPooling，pool_size＝2，input_shape＝8
×
64，output_shape＝4
×
64；
[0022]第七层：全连接层：units＝100；activation＝'ReLu'；
[0023]第八层：全连接层：units＝4，activation＝'softmax'。
[0024]一种基于小波改进的MobileNet网络的轴承故障边缘诊断系统，包括：
[0025]采集发布模块，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：包括：对采集的轴承振动数据进行发布；将采集的历史振动数据输入到改进MobileNetV3
‑
Small网络进行训练得到诊断模型；将实时采集的振动数据输入诊断模型进行故障诊断。2.根据权利要求1所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述对采集轴承的振动数据进行发布具体为：通过上位机设置数据采集的通道配置和采样配置参数，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；对采集到的振动数据提取信号的趋势指标，并将趋势指标同振动数据的实时波形数据一起打包，将打包好的数据通过共享变量以网络发布的形式传输至上位机，通过上位机进行实时显示；同时采用UDP通信协议将打包好的数据上传到数据库进行存储；同时采用TCP通信协议将打包好的数据上传到树莓派嵌入式诊断系统。3.根据权利要求2所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述实时控制器采用CompactRIO嵌入式平台，传感器采用IEPE加速度传感器；IEPE加速度传感器和采集卡通过传感器连接线连接，将IEPE加速度传感器安装在所测轴承的上方，采集卡一侧插入到CompactRIO嵌入式平台插槽中；将上位机和CompactRIO嵌入式平台通过网线相连接。4.根据权利要求1所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述将采集的历史振动数据输入到改进MobileNetV3
‑
Small网络进行训练得到诊断模型具体为：通过上位机下载数据库存储的历史波形数据，对历史波形数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入改进MobileNetV3
‑
Small网络进行训练得到诊断模型。5.根据权利要求4所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述预处理操作具体为：归一化、打标签。6.根据权利要求5所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述归一化为离差标准化；所述打标签具体为：采用唯一标识代表不同的轴承状态。7.根据权利要求1所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：训练中，输入数据长度为2048，通过反向传播和Adam优化算法更新所有参数，损失函数的计算使用交叉熵损失函数，初始学习率被设定为0.001，衰减率为0.98；训练过程采用mini
‑
batch学习，大小设置为32。8.根据权利要求1所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述改进MobileNetV3
‑
Small网络共有一个小波卷积层、5个bottleneck层、两个全连接层；使用Daubechies小波函数结构构造第一层卷积层中的卷积核。9.根据权利要求8所述的基于小波改进的MobileNet网络的轴承故障边缘诊断方法，其特征在于：所述改进MobileNetV3

【专利技术属性】
技术研发人员：刘畅，朱富，台晋宜，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：