【技术实现步骤摘要】
基于改进DBN
‑
MobileNetV2的轴承故障诊断方法及系统
[0001]本专利技术涉及轴承故障诊断
，具体涉及一种基于改进DBN
‑
MobileNetV2的轴承故障诊断方法及系统。
技术介绍
[0002]轴承作为机械设备的重要基础部件，广泛应用于如航空航天、风力发电、加工制造等诸多工业场景中的各种装备中。而在应用过程中，轴承常因为过载使用、润滑、“卡住”装配失误等原因引发轴承的腐蚀、变形、裂缝等不同类型的故障，严重影响机械设备的安全运行和工作人员的安全。所以亟需一种有效的轴承故障诊断方法用于确定轴承的局部正常或异常，以确保故障早发现，早解决。
[0003]目前，现有的轴承故障诊断研究，一般表现为单独对轴承故障数据的特征提取，或者单独对轴承故障类型模式的识别，很少有同时把特征提取和模式识别综合考虑的技术。且在对于故障数据特征的提取时常依赖于专家经验，而在模式识别方面常采用传统的机器学习方法(如svm、随机森林等)进行模式识别。
[0004]然而，仅单方面考虑特征提...
【技术保护点】
【技术特征摘要】
1.一种基于改进DBN
‑
MobileNetV2的轴承故障诊断方法，其特征在于，所述方法包括：基于深度信念网络对获取的原始故障数据进行特征提取，以得到故障特征训练集和故障特征测试集；基于所述故障特征训练集和故障特征测试集，训练并优化改进的MobileNetV2分类模型；所述改进的MobileNetV2分类模型包括：将原始MobileNetV2分类模型中的七层bottleneck结构设置为两层bottleneck结构；在原始MobileNetV2分类模型中引入通道注意力机制NAM；且在原始MobileNetV2分类模型的倒残差结构的深度可分离卷积的逐通道卷积之后且在平均池化层之中加入dropblock模块；利用优化后的所述改进的MobileNetV2分类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，所述基于深度信念网络对获取的原始故障数据进行特征提取包括：S11、获取轴承原始故障数据并进行预处理，然后划分训练集D1和测试集D2；S12、利用训练集D1并基于对比散度算法训练深度信念网络，然后用测试集D2对训练的深度信念网络进行评估以最终获取最优的深度信念网络；S13、利用所述最优的深度信念网络进行原始故障数据的特征提取和降维。3.如权利要求1所述的方法，其特征在于，所述两层bottleneck结构分别为原始MobileNetV2分类模型中的第一层和最后一层bottleneck结构。4.如权利要求1或3所述的方法，其特征在于，所述两层bottleneck结构的步长为1或2。5.如权利要求2所述的方法，其特征在于，所述获取轴承原始故障数据并进行预处理包括：对所述轴承原始故障数据进行归一化处理还包括：利用Onehot编码对所述原始故障数据的故障类别打标签。6.一种基于改进DBN
‑
Mobi...
【专利技术属性】
技术研发人员：钱晓飞，赵任迪，郑锐，刘心报，张军，陆少军，周谧，胡朝明，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。