基于改进深度残差算法的轴承故障诊断方法及系统技术方案

本发明专利技术提供一种基于改进深度残差算法的轴承故障诊断方法及系统，涉及设备故障检测技术领域。本发明专利技术将获取的一维时序信号的轴承故障数据转化成二维图像数据并形成故障数据集；然后利用该故障数据集训练构建的包括改进的深度残差网络和改进的SK注意力机制所结合而成的Resnet

【技术实现步骤摘要】
基于改进深度残差算法的轴承故障诊断方法及系统


[0001]本专利技术涉及设备故障检测技术，具体涉及一种基于改进深度残差算法的轴承故障诊断方法及系统。

技术介绍

[0002]现代工业生产中，对精密设备的故障进行检测时，发现有约30％
‑
40％的设备故障是由轴承故障引起的。所以近些年来通过监测和诊断轴承状态来确保生产安全以及降低生产成本一直是该领域的热点问题与挑战。轴承故障诊断主要是通过对采集到的轴承故障数据(主要表现为一维时序信号)进行数据预处理并提取数据特征，最终实现对故障数据的检测。
[0003]目前，该领域常将深度学习(Deep Learning)的强大特征学习能力应用于故障数据的检测与诊断任务中，针对一维时序信号的轴承故障数据通常采用循环神经网络(RNN)、长短时记忆网络(LSTM)等网络模型进行特征学习，但这些模型由于网络深度较浅，很难学习到数据的高维特征，在对实际的设备轴承故障数据诊断时往往精度不够。如果将一维时序信号做二维处理，然后通过深度网络进行训练学习，虽然可以加深网络层数，实现对高维特征的学习，但又会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进深度残差算法的轴承故障诊断方法，其特征在于，所述方法包括：将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集；基于所述故障数据集训练构建的Resnet
‑
SK轴承故障诊断模型；所述Resnet
‑
SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积替换为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；利用训练后的所述Resnet
‑
SK轴承故障诊断模型进行轴承故障诊断。2.如权利要求1所述的方法，其特征在于，所述将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集包括：S11、将获取的轴承故障一维时序信号利用格拉姆角场操作进行二维化处理，得到二维图像数据；S12、将所述二维图像数据进行数据增强操作以及标注标签操作，得到故障数据集；所述故障数据集包括训练集和测试集。3.如权利要求1所述的方法，其特征在于，所述利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积包括：在原SK卷积的split阶段新增一条支路，与原有两条支路共同组成多尺度扩张卷积组。4.如权利要求3所述的方法，其特征在于，所述多尺度扩张卷积组包括：卷积组中的支路一为大小为3，扩张率为1的扩张卷积；卷积组中的支路二为大小为3，扩张率为2的扩张卷积；卷积组中的支路三为大小为3，扩张率为3的扩张卷积。5.如权利要求1所述的方法，其特征在于，所述方法还包括：利用sigmoid函数将所述全局平均池化和所述最大池化两种池化操作后生成的特征图进行融合。6.一种基于改进深度残差算法的轴承故障诊断系统，其特征在于，所述系...

【专利技术属性】
技术研发人员：钱晓飞，方鸿雨，刘心报，韩蔚，陆少军，周谧，胡俊迎，胡朝明，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：