【技术实现步骤摘要】
基于小波变换和深度残差注意力机制的轴承故障诊断方法
[0001]本专利技术涉及轴承故障诊断领域，具体涉及基于小波变换和深度残差注意力机制的轴承故障诊断方法。
技术介绍
[0002]滚动轴承作为机械设备的关键组成部分之一，在机械传动过程中承担着传递载荷和承担应力的重要作用，根据相关资料的统计数据显示，滚动轴承故障发生率约占旋转机械故障的一半左右，一旦发生故障将会造成严重的经济损失，准确及时诊断滚动轴承的故障可以最大限度避免设备性能下降和危险的发生。
[0003]近年来，深度学习在轴承故障诊断方面的应用得到了快速的发展。通过深度学习方法可以省去特征提取和选择的步骤，而直接将轴承的时域或频域信号作为模型的输入。通过将原始振动信号数据和深度学习网络相连接，能够以端到端的形式实现对滚动轴承故障的诊断分类。如，公开号为CN112067294A的中国专利就公开了《一种基于深度学习的滚动轴承智能故障诊断方法》，其采集在多个故障状态和正常状态下的一维时间序列故障数据，并将预处理后的数据划分为训练集、验证集和测试集用以训练建立改进的CN
【技术保护点】
【技术特征摘要】
1.基于小波变换和深度残差注意力机制的轴承故障诊断方法，其特征在于，包括：S1：通过小波变换将用作训练样本的原始轴承数据转换为二维时频图像样本；S2：基于深度神经网络和CBAM注意力机制构建对应的故障诊断模型；S3：通过二维时频图像样本及对应的故障类型标签训练故障诊断模型，直至模型收敛；S4：将待诊断的原始轴承数据转换为对应的二维时频图像并输入经过训练的故障诊断模型中，输出对应的故障检诊断结果。2.如权利要求1所述的基于小波变换和深度残差注意力机制的轴承故障诊断方法，其特征在于：步骤S1中，将所有二维时频图像样本及其对应的故障类型标签划分为训练集、验证集和测试集；训练集用于训练故障诊断模型直至模型收敛；验证集用于评估训练过程中故障诊断模型在未知训练样本上的泛化性；测试集用于评估收敛后的故障诊断模型的故障诊断性能。3.如权利要求1所述的基于小波变换和深度残差注意力机制的轴承故障诊断方法，其特征在于，通过如下步骤将原始轴承数据转换为二维时频图像：S101：对原始轴承数据进行连续小波变换，得到各个尺度下的小波变化系数；S102：将小波基函数调制为高斯函数，形成复Morlet小波函数；S103：通过复Morlet小波函数对每个尺度下的小波变化系数进行复Morlet小波变换，得到对应的二维时频图像；S104：对二维时频图像进行滤波，提取所需的轴承信号；S105：将二维时频图像进行可视化，并呈现所提取的轴承信号在时频域上的分布。4.如权利要求3所述的基于小波变换和深度残差注意力机制的轴承故障诊断方法，其特征在于，步骤S101中，连续小波变换的公式描述为：式中：表示小波变化系数；x(t)表示原始轴承数据；表示母小波；表示复共轭母小波；a,b∈R且a≠0；a表示尺度因子；b表示时移因子；步骤S102中，小波基函数公式为：Φ(z)＝exp(
‑
t2/2)*exp(jw0t)；式中：Φ(z)表示小波基函数；exp表示指数函数；j表示虚数单位；w0表示中心频率；t表示时间；复Morlet小波函数公式为：式中：Φ
a,b
(z)表示复Morlet小波函数；a表示尺度因子；b表示时移因子。5.如权利要求1所述的基于小波变换和深度残差注意力机制的轴承故障诊断方法，其特征在于：步骤S2中，将ResNet18网络作为故障诊断模型的骨干网络，并在骨干网络多个不同尺度的卷积层中分别嵌入用于生成包含通道注意力权重和空间注意力权重的加权特征图的CBAM模块，将最后一个CBAM模块输出的加权特征图作为骨干网络的输出；骨干网络的输出依次经过池化层、归一化层、全连接层和Softmax层后，输出对应的故
障检诊断结果。6.如权利要求5所述的基于小波变换和深度残差注意力机制的轴承故障诊断方法，其特征在于：将ResNet18网络中的ReLU函数替换为RReLu函数；ReLU函数的公式为：式中：f(x)表示ReLU函数；x表示神经元的输入；a1服从均匀分布；将ReLU函数替换为RReLu函数后，故障诊断模型的残差单元表示为：式中：x
l
和x
l
+1分别表示第l个残差单元的输入与输出；F为残差函数，表示为结构学到的残差；hl(x)＝x<...
【专利技术属性】
技术研发人员：赵玲，孟阳，蒋振霖，吕颖，王航，
申请(专利权)人：重庆交通大学，
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。