【技术实现步骤摘要】
轴承故障分类方法及装置、电子设备及可读存储介质
[0001]本专利技术涉及轴承故障诊断
，尤其涉及一种轴承故障分类方法及装置、电子设备及可读存储介质。
技术介绍
[0002]随着技术的发展，智能故障监测和诊断已经被列为未来实现全面工业化的必要技术之一。而轴承作为旋转机械关键的部件之一，大多数情况下处在高速、强负荷和腐蚀的环境中，这对工业化生产造成了巨大的威胁。同时现在机械设备越来越智能化、精密化，组成部件越来越复杂，各个部件之间的联系也越来越密切，这对轴承的智能故障监测状态提出了更高的要求。
[0003]在实际工程应用场景中，往往无法获取目标域的故障信息标签。而且变工况下，源域与目标域数据往往不服从独立同分布这一假设，这导致基于深度学习的方法无法取得较高的故障分类准确率。
技术实现思路
[0004]本专利技术实施例提供一种轴承故障分类方法及装置、电子设备及可读存储介质，以解决现有技术中由于源域与目标域数据分布差异，而导致无法取得较高的轴承故障数据的分类准确率的问题。
[0005]为了解决...
【技术保护点】
【技术特征摘要】
1.一种轴承故障分类方法，其特征在于，所述方法包括：将目标轴承的轴承故障数据输入故障分类模型，其中，所述故障分类模型是预先根据源域样本数据、目标域样本数据训练以及分类总损失函数训练完成的，所述分类总损失函数是根据所述源域样本数据以及所述目标域样本数据确定的；通过所述故障分类模型的特征提取模块，确定所述轴承故障数据对应的不同频率的故障信号；通过所述故障分类模型的特征处理模块，对所述不同频率的故障信号中的关键特征赋予预设权重，以得到第一特征；通过所述故障分类模型的特征分类模块，根据所述第一特征确定所述目标轴承对应的故障分类。2.根据权利要求1所述的方法，其特征在于，所述通过所述故障分类模型的特征提取模块，确定所述轴承故障数据对应的不同频率的故障信号，包括：通过所述特征提取模块，对所述轴承故障数据进行集合经验模态分解，以得到N个不同频率的故障信号；根据每个信号分量与所述轴承故障数据的相关性以及相关性阈值，从所述N个不同频率的故障信号，确定M个不同频率的故障信号，其中，N，M均为正整数，且N大于M。3.根据权利要求1所述的方法，其特征在于，所述通过所述故障分类模型的特征处理模块，对所述不同频率的故障信号中的关键特征赋予预设权重，以得到第一特征，包括：通过所述特征处理模块中的注意力模块，对所述不同频率的故障信号中的关键特征赋予第一权重值，以得到第二特征；通过所述特征处理模块中的处理模块，对所述第二特征进行卷积，以得到第三特征；通过所述注意力模块，根据反向传播对应的第二权重值，对所述第三特征中的关键特征的权重值进行优化，以得到所述第一特征。4.根据权利要求3所述的方法，其特征在于，所述通过所述特征处理模块中的注意力模块，对所述不同频率的故障信号中的关键特征赋予第一权重值，以得到第二特征，包括：通过所述注意力模块中的通道注意力模块，对所述不同频率的故障信号分别进行最大池化以及平均池化，以得到权重特征；通过所述注意力模块中的按空间注意力模块，对所述权重特征进行最大池化以及平均池化，以得到所述关键特征；将所述关键特征输入至卷积层，对所述关键特征赋予所述第一权重值。5.根据权利要求3所述的方法，其特征在于，所述处理模块包括第一卷积核以及多个第二卷积核，所述第一卷积核的尺寸大于所述第二卷积核，其中，所述通过所述特征处理模块中的处理模块，对所述第二特征进行卷积，以得到第三特征，包括：通过所述第一卷积核，对所述第二特征中权重值小于预设权重阈值的冗余特征，以得到第四特征；通过所述多个第二卷积核，对所述第四特征进行卷积处理，以得到所述第三特征。6.根据权利要求1所述的方法，其特征在于，在所述将目标轴承的轴承故障数据输入故障分类模型之前，还包括：
通过所述特征处理模块，获取所述源域样本数据对应的第一关键特征与所述目标域样本数据对应的第二关键特征之间的分类损失函数；通过所述特征分类模块，基于所述分类损失函数确定所述第一关键特征以及所述第二关键特征分别对应的故障标签；根据所述源域样本数据、所述目标域样本数据、所述第一关键特征以及所述第二关键特征分别对应的故障标签，确定交叉熵损失函数；根据所述分类损失函数以及所述交叉熵损失函数确定所述分类总损失函数。7.一种轴承故障分类装置，其特征在于，所述装置包括：输入模块，用于将目标轴承的轴承故障数据输入故障分类模型，其中，所述故障分类模型是预先根据源域样本数据、目标域样本数据训练以及分类总损失函数...
【专利技术属性】
技术研发人员：尹洪申，
申请(专利权)人：中国电信股份有限公司，
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。