基于轻量级卷积神经网络的自适应轴承故障诊断方法技术

本发明专利技术提供了基于轻量级卷积神经网络的自适应轴承故障诊断方法，包括：从轴承数据集中提取轴承图像并进行预处理，得到灰度图像，且按照预设比例将所述灰度图像划分为训练集和测试集；设计初始模型的缩放因子，并利用训练集对初始模型进行迭代训练，确定最优诊断精度的模型权重，并基于所述模型权重得到第一诊断模型；利用测试集对第一诊断模型进行测试，根据测试结果对第一诊断模型进行调整，得到目标诊断模型；利用所述目标诊断模型对当前机械设备的目标轴承图像进行故障诊断，得到故障类型；用以提高轴承故障诊断的诊断效率和诊断精度。度。度。

【技术实现步骤摘要】
基于轻量级卷积神经网络的自适应轴承故障诊断方法


[0001]本专利技术涉及机械设备故障诊断领域，特别涉及一种基于轻量级卷积神经网络的自适应轴承故障诊断方法。

技术介绍

[0002]滚动轴承作为机械设备中最为重要的零部件之一，其工作的稳定性直接影响到了整个设备的可靠性，作为重要的支撑部件，一旦发生故障将会引起十分严重的后果，轻则设备急停，重则将会导致整个生产线停工，造成无法挽回的后果。因此，滚动轴承的故障诊断和检测显得十分有意义，其能提前预知轴承的健康状态，合理的应用将会有效帮助生产。
[0003]随着机器学习的快速发展，其广泛的运用到了传统的故障诊断中，滚动轴承诊断也不例外，其中效果最为显著的是，将卷积神经网络运用到轴承故障诊断中去，卷积神经网络由于其超强的特征提取能力，其能在有限的数据中提取到有用的特征信息，但是现有的一些利用卷积神经网络进行故障诊断的模型有些不能完全提取原始信息特征，有些网络层数过深造成了运算速度过慢，并且大多数的方法是根据一个数据集来完成模型的搭建，这就导致当此模型用于其他数据集检测时会出现精度严重下滑，即泛化能力低的表现，最终造成模型应用于应轴承故障诊断的诊断不准确。

技术实现思路

[0004]本专利技术提供一种基于轻量级卷积神经网络的自适应轴承故障诊断方法，用以提高轴承故障诊断的诊断效率和诊断精度。
[0005]基于轻量级卷积神经网络的自适应轴承故障诊断方法，包括：
[0006]步骤1：从轴承数据集中提取轴承图像并进行预处理，得到灰度图像，且按照预设比例将所述灰度图像划分为训练集和测试集；
[0007]步骤2：设计初始模型的缩放因子，并利用训练集对初始模型进行迭代训练，确定最优诊断精度的模型权重，并基于所述模型权重得到第一诊断模型；
[0008]步骤3：利用测试集对第一诊断模型进行测试，根据测试结果对第一诊断模型进行调整，得到目标诊断模型；
[0009]步骤4：利用所述目标诊断模型对当前机械设备的目标轴承图像进行故障诊断，得到故障类型。
[0010]优选的，步骤1中，从轴承数据集中提取轴承图像并进行预处理，得到灰度图像，包括：
[0011]获取与当前机械设备的目标轴承的相似度大于预设相似度的轴承图像；
[0012]从所述轴承图像对应的分别在驱动端、负载端、轴承端的原始震动信号任取预设数量段进行采样，得到振幅点，并将所述振幅点展开，依次重新组合，得到轴承图像对应的灰度图像。
[0013]优选的，所述任取预设数量段进行采样时为不重叠采样。
[0014]优选的，步骤2之前，还包括，构建所述初始模型，具体为：
[0015]建立5*5的卷积层作为所述初始模型的第一层；
[0016]分别将两个第一类型模块作为初始模型的第二层和第三层，将两个第一类型模块作为初始模型的第四层和第五层；
[0017]将全连接层作为初始模型的第六层；
[0018]将第一层到第六层进行依次连接，构建得到所述初始模型。
[0019]优选的，在第二层到第五层中，上一层的输出将作为之后所有层的输入，第二层对应的第一类型模块输出的特征矩阵作为第三层对应的第一类型模块以及第四层和第五层对应的第二类型模块的输入值。
[0020]优选的，所述第一类型模块的结构如下：
[0021]第一类型模块的第一层为3*3和5*5两种不同的卷积核，且两个卷积核并列，第二层为注意力模块，第三层为1*1的卷积；
[0022]所述第二类型模块的结构如下：
[0023]第二类型模块的第一层为1*1的卷积，第二层为3*3，5*5，7*7和9*9四种不同的卷积核，且四个卷积核并列，第三层为注意力模块，第四层为1*1的卷积。
[0024]优选的，设计初始模型的缩放因子，包括：
[0025]所述初始模型的缩放因子包括对第一类型模块和第二类型模块的宽度缩放因子β和对第一类型模块和第二类型模块的重复次数缩放因子γ；
[0026]所述初始模型的第二层到第五层的模块重复次数依次为1γ、2γ、1γ、2γ；
[0027]所述宽度缩放因子β和的重复次数缩放因子γ的取值满足如下公式：
[0028]r＝α
Φ
[0029]N＝n
Φ
[0030]w＝β
Φ
[0031]d＝γ
Φ
[0032]α
·
n
·
β2·
γ2≈4
[0033]α≥1,n≥1,β≥1,γ≥1
[0034]其中，r表示初始模型的的分辨率，α表示所述灰度图像的尺寸缩放因子，N表示初始模型的通道扩充数值，n表示初始模型的通道缩放因子，w表示第一类型模块和第二类型模块的宽度，d表示第一类型模块和第二类型模块的深度，Φ表示复合系数；
[0035]按照上述约束确定宽度缩放因子β和重复次数缩放因子γ的可取值集合，从所述取值集合中选取在其他参数不变的情况下，初始模型的诊断精度最大值对应的目标取值，作为初始模型的缩放因子。
[0036]优选的，步骤2中，利用训练集对初始模型进行迭代训练，确定最优诊断精度的模型权重，并基于所述模型权重得到第一诊断模型，包括：
[0037]对初始模型中卷积层中的神经元进行随机失活，每个卷积层的神经元的失活比率如下：
[0038][0039]其中，其中D
i
表示第i层卷积的失活比率数值，L
total
表示所述初始模型中层卷积的
层数，D
target
表示初始模型整体的失活比率数值；
[0040]按照所述失活比率和预设激活函数来对初始模型进行设置，利用训练集对设置好的初始模型进行迭代训练，将根据每次迭代训练结果对模型权重进行更新，在迭代完成后选出最优诊断精度对应的模型权重；
[0041]将最优诊断精度对应的模型权重替换初始模型的初始权重，将替换后的初始模型作为第一诊断模型。
[0042]优选的，步骤3中，利用测试集对第一诊断模型进行测试，根据测试结果对第一诊断模型进行调整，得到目标诊断模型，包括：
[0043]获取第一数据集对应的第一测试集和第二数据集对应的第二测试集；
[0044]分别利用所述第一测试集和第二测试集对第一诊断模型进行测试，并根据测试结果建立第一测试集对应的第一混淆矩阵和第二测试集对应的第二混淆矩阵；
[0045]基于所述第一混淆矩阵确定第一故障分类准确率，基于所述第二混淆矩阵确定第二故障分类准确率；
[0046]当所述第一故障分类准确率和第二故障分类准确率均满足预设准确率要求时，确定所述第一诊断模型为目标诊断模型；
[0047]否则，重复步骤2对第一诊断模型进行再次迭代训练，直到测试结果满足预设准确率要求。
[0048]优选的，步骤4中，利用所述目标诊断模型对当前机械设备的目标轴承图像进行故障诊断，得到故障类型，包括：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，包括：步骤1：从轴承数据集中提取轴承图像并进行预处理，得到灰度图像，且按照预设比例将所述灰度图像划分为训练集和测试集；步骤2：设计初始模型的缩放因子，并利用训练集对初始模型进行迭代训练，确定最优诊断精度的模型权重，并基于所述模型权重得到第一诊断模型；步骤3：利用测试集对第一诊断模型进行测试，根据测试结果对第一诊断模型进行调整，得到目标诊断模型；步骤4：利用所述目标诊断模型对当前机械设备的目标轴承图像进行故障诊断，得到故障类型。2.根据权利要求1所述的基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，步骤1中，从轴承数据集中提取轴承图像并进行预处理，得到灰度图像，包括：获取与当前机械设备的目标轴承的相似度大于预设相似度的轴承图像；从所述轴承图像对应的分别在驱动端、负载端、轴承端的原始震动信号任取预设数量段进行采样，得到振幅点，并将所述振幅点展开，依次重新组合，得到轴承图像对应的灰度图像。3.根据权利要求2所述的基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，所述任取预设数量段进行采样时为不重叠采样。4.根据权利要求1所述的基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，步骤2之前，还包括，构建所述初始模型，具体为：建立5*5的卷积层作为所述初始模型的第一层；分别将两个第一类型模块作为初始模型的第二层和第三层，将两个第一类型模块作为初始模型的第四层和第五层；将全连接层作为初始模型的第六层；将第一层到第六层进行依次连接，构建得到所述初始模型。5.根据权利要求4所述的基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，在第二层到第五层中，上一层的输出将作为之后所有层的输入，第二层对应的第一类型模块输出的特征矩阵作为第三层对应的第一类型模块以及第四层和第五层对应的第二类型模块的输入值。6.根据权利要求4所述的基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，所述第一类型模块的结构如下：第一类型模块的第一层为3*3和5*5两种不同的卷积核，且两个卷积核并列，第二层为注意力模块，第三层为1*1的卷积；所述第二类型模块的结构如下：第二类型模块的第一层为1*1的卷积，第二层为3*3，5*5，7*7和9*9四种不同的卷积核，且四个卷积核并列，第三层为注意力模块，第四层为1*1的卷积。7.根据权利要求4所述的基于轻量级卷积神经网络的自适应轴承故障诊断方法，其特征在于，设计初始模型的缩放因子，包括：所述初始模型的缩放因子包括对第一类型模块和第二类型模块的宽度缩放因子β和对第一类型模块和第二类型模块的重复次数缩放因子γ；
所述初始模型的第二层到第五层的模块重复次数依次为1γ、2γ、1γ、2γ；所述宽度缩放因子β和的重复次数缩放因子γ的取值满足如下公式：r＝α
Φ
N＝n
Φ
w＝β
Φ
...

【专利技术属性】
技术研发人员：徐秀芳，章国栋，徐森，花小朋，皋军，许贺洋，刘博通，郭乃瑄，孙雯，陈博炜，
申请(专利权)人：盐城工学院技术转移中心有限公司，
类型：发明
国别省市：