【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 ...
【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
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。