一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法技术

本发明专利技术涉及故障诊断技术领域，具体为一种小样本下基于WPD和AFRB

【技术实现步骤摘要】
一种小样本下基于WPD和AFRB
‑
LWUNet的滚动轴承故障诊断方法


[0001]本专利技术涉及故障诊断
，具体为一种小样本下基于WPD和AFRB
‑
LWUNet的滚动轴承故障诊断方法。

技术介绍

[0002]随着新兴技术的不断涌现，机械设备逐渐朝着自动化、快速化和智能化方向发展。滚动轴承作为旋转机械的核心部件，其可靠性和稳定性将直接影响到旋转机械的性能，研究表明40% ～ 50%的旋转机械故障都与滚动轴承失效有关，因此，为保障旋转机械作业安全，快速、准确地对轴承进行故障诊断就显得意义重大。
[0003]滚动轴承的故障诊断主要包括：信号采集、数据预处理、特征提取以及故障识别等步骤，在恶劣工况下，实测信号存在着样本少、噪声多等问题，导致信号的可利用价值大幅下降，所以从中实现更快、更准确地提取关键特征成为了故障诊断的重要环节。传统的故障诊断方法过度依赖人工经验和先验知识，导致诊断结果具有很大的不确定性，而先进的深度学习方法存在模型参数量大，能耗高，不便部署到移动端与边缘设备。<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本下基于WPD和AFRB
‑
LWUNet的滚动轴承故障诊断方法，其特征在于：包括以下步骤，S1：采集机械设备轴承发生各种故障时的振动信号，对振动信号进行小波包分解和能量特征提取，进行振动信号重构成为一维时序信号，完成前期数据预处理；S2：将UNet模型由原始的上采样层和下采样层各四层变为上采样层和下采样各两层形成LWUNet模型，在LWUNet模型的跳跃连接部分嵌入注意力融合残差块，搭建AFRB
‑
LWUNet模型；S3：对AFRB
‑
LWUNet模型进行训练、验证以及测试；S4：利用训练好的AFRB
‑
LWUNet模型对不同工况的故障进行诊断，检验模型的鲁棒性；S5：对机械设备运行过程中的轴承振动数据进行实时监测，预处理后输入到训练好的模型中，进行实时故障诊断。2.根据权利要求1所述的小样本下基于WPD和AFRB
‑
LWUNet的滚动轴承故障诊断方法，其特征在于：所述步骤S1包括，S11：对每种状态下的振动信号进行小波包分解，既分解低频信号，又分解高频信号，得到2
n
个频带，根据采样频率以及采样定理得到每个频带所代表的频率范围，同时获得小波包分解的各个节点小波包系数，用于后续的数据重构；S12：进行能量特征提取，得到每个频段能量所占的比例，进行排序，由高到低得到能量比例和超过80%的频带，完成信号重构得到一维时序信号。3.根据权利要求2所述的小样本下基于WPD和AFRB
‑
LWUNet的滚动轴承故障诊断方法，其特征在于：所述步骤S11中，小波基函数选择为db8小波，小波包分解层数为3层。4.根据权利要求1所述的小样本下基于WPD和AFRB
‑
LWUNet的滚动轴承故障诊断方法，其特征在于：步骤S2中注意力融合残差块包括，注意力融合残差块由改进的SE注意力机制和改进的SegSE注意力机制并行连接组成，且最终与原始数据进行连接，改进的SE注意力机制在Squeeze部分增加全局最大池化层，与原...

【专利技术属性】
技术研发人员：丁华，孙晓春，王焱，李宁，赵伟卓，廖瑶瑶，杨琨，马丁劳易特，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：