基于改进轻量级深度卷积神经网络的轴承故障诊断方法技术

本发明专利技术公开了基于改进轻量级深度卷积神经网络的轴承故障诊断方法，属于旋转机械设备中滚动轴承部件故障监测领域。首先将传感器采集到的振动信号划分为多个等长度的数据样本，并将其转换为图像数据，给每类样本标注故障标签，划分训练数据集和测试数据集；再将划分好的数据集用于训练构建的轴承故障诊断模型，得到预训练模型。对预训练模型剪枝，剔除模型中的冗余参数，得到轻量级模型；最后再用数据集微调剪枝后的模型，恢复模型的诊断性能，得到具有高诊断性能的轻量化模型。本发明专利技术的轴承故障诊断模型体积小，训练时间短，响应速度快，在实际工业应用中能准确，更快速的识别轴承故障。障。障。

【技术实现步骤摘要】
基于改进轻量级深度卷积神经网络的轴承故障诊断方法


[0001]本专利技术涉及旋转机械设备中滚动轴承部件故障监测领域，尤其涉及基于改进轻量化深度卷积神经网络的轴承故障诊断方法。

技术介绍

[0002]在现代工业系统中，旋转机械在机械设备中扮演着重要角色并且被广泛应用于各种机械设备中。滚动轴承是旋转机械的核心部件之一，它的健康状态被用于评估机械系统是否正常工作。在各种因素的影响下，轴承部件不可避免的会产生故障，以至于引发重大事故。严重的情况下会造成财产损失，机械操作人员的生命安全也会遭到威胁。因此，非常迫切的需要去研究能快速和准确的在线监测机械是否稳定运行的故障诊断方法。
[0003]近年来，深度卷积神经网络强大的自适应特征提取能力使其在轴承故障诊断领域得到了广泛的应用，基于深度神经网络的故障诊断方法能自适应的从原始数据提取故障特征，有效的避免了对专家经验知识的依赖。此外，该方法将特征提取和故障分类构成一个整体，这实现了自适应的特征提取和故障分类。然而，深度卷积神经网络通常是通过堆叠多个卷积层的方式来提升模型的特征提取能力，利用具有大量神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，该方法包括以下步骤：步骤一：通过传感器采集到的轴承振动信号为一维信号，将采集到的信号按一定间隔分为多个长度相同的数据样本，并将其转换为二维灰度图像样本，将每个样本分配样本标签，划分训练数据集和测试数据集；步骤二：构建的轻量级深度卷积神经网络为轴承故障诊断模型，包括：轻量级特征提取模块、卷积注意力通道模块、改进的故障分类模块；步骤三：初始化模型参数，包括：迭代次数、学习率、权重参数、偏置、训练batch
‑
size、测试batch
‑
size和优化器等；步骤四：通过训练数据集训练构建的轴承故障诊断模型，通过前向传播和反向传播更新模型参数，训练直至模型收敛后保存性能最优的模型；步骤五：将测试数据集输入训练好的轴承故障诊断模型，对模型进行测试，验证模型的对所有故障类别的诊断准确率。2.根据权利要求1所述的基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，所述步骤一中，生成的一维样本长度为n，即每个样本包含n个数据点；对于一个一维数据样本，其转换为二维灰度图像的过程可由如下公式描述：其中L(k)为按一定间隔截取的原始一维数据，长度为n，其中L(k)为按一定间隔截取的原始一维数据，长度为n，表示转换后的图像在点(i,j)处的像素值。3.根据权利要求1所述的基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，所述步骤二中，轻量级特征提取模块由三个剪枝后的异构卷积层和一个标准卷积层组成；卷积注意力模块用于优化特征提取模块输出的故障特征，以提升模型性能；改进的故障分类模块由一个Dropout和全局平均池化组成，且在Dropout输入全局平均池化之前，将其与原始特征数据进行数据融合。4.根据权利要求1所述的基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，所述步骤三中，训练的迭代次数为50，初始学习率为0.1，在迭代次数为30和40时分别将学习率衰减十倍，初始权重参数和偏置初始化为随机数，训练数据集的batch
‑
size为64，测试数据集的batch
‑
size为32，优化器选择Adam。5.根据权利要求1所述的基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，所述步骤四中，轴承故障诊断模型的训练包括：基于异构卷积(Heterogeneous Kernel
‑
Bas...

【专利技术属性】
技术研发人员：孙洁娣，刘钊，温江涛，
申请(专利权)人：燕山大学，
类型：发明
国别省市：