轴承故障诊断网络制造技术

本发明专利技术公开了一种轴承故障诊断网络，涉及轴承故障信号处理技术领域

【技术实现步骤摘要】
轴承故障诊断网络


[0001]本专利技术涉及轴承故障信号处理
，尤其涉及一种轴承故障诊断网络
。

技术介绍

[0002]滚动轴承故障诊断是机械工程领域中的一个重要研究领域，其研究现状一直备受关注
。
随着工业自动化的发展和机械设备的广泛应用，轴承的健康状况对设备的可靠性和性能至关重要
。
传统的数据驱动方法主要侧重于信号处理，着重研究如何有效地提取和表征故障信号中的特征信息
。
这些方法依赖于先验知识和手工设计的特征提取器，以便识别和分类不同的状态或故障模式
。
相比之下，深度学习方法更加注重于状态分类的功能性
。
它们利用深度神经网络的强大特征提取能力，通过对网络的结构和参数进行优化，实现对故障信号的自动化分类
。
深度学习方法的关键在于通过大规模数据的学习，使网络能够自动发现和利用信号中的重要特征，从而达到故障分类的目标
。
比如宫俊宇提出的
CNN
‑
LSTM
‑
Atte本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轴承故障诊断网络，其特征在于包括：振动信号预处理模块
、
特征提取模块以及故障诊断分类模块；振动信号预处理模块，用于从
mat
文件中随机截取若干个样本点，对每个像素点进行标准化，堆叠生成灰度图像，并对图像进行三通道填充，用作输入数据；特征提取模块，特征提取模块共包括三层
DRnet
‑
SE
模块，数据首先经过
DRnet
‑
SE
模块中的
Conv
层
、BN
层和
Relu
层处理后进入密集块中进行特征提取，密集块中加入残差连接，将每个密集块的输入与最终的输出结果相结合，然后经过
SE
注意力模块对有效特征增加权重，增强模型的抗噪性，最后通过
translation
层调整灰度图通道数，适应下一层
DRnet
‑
SE
的输入；故障诊断分类模块，用于将特征提取模块的最终输出经全连接层，通过
softmax
做最终分类，输出轴承故障诊断结果
。2.
如权利要求1所述的轴承故障诊断网络，其特征在于：所述密集块包括第一归一化层
(BN)
，所述第一归一化层
(BN)
经第一
Relu
激活函数与第一卷积层的输入端连接，所述第一卷积层的输出端与第二归一化层的的输入端连接，所述第二归一化层经第二
Relu
激活函数与第二卷积层的输入端连接，所述第二卷积层的输出端与
Dropout
层的输入端连接，所述
Dropout
层的输出端为所述密集块的输出端
。3.
如权利要求1所述的轴承故障诊断网络，其特征在于，所述
SE
注意力模块包括：
Inputs
层，所述
Inputs
层的输入端与全局平均池化的输入端连接，所述全局平均池化层的输出端与第一全连层的输入端连接，所述第一全连层的输出端与第二全连层的输入端连接，所述第二全连层的输出端与
Scale
层的输入端连接
。4.
如权利要求3所述的轴承故障诊断网络，其特征在于：全局平均池化：对输入
inputs
进行全局平均池化操作；这将对每个通道的特征进行平均，从每个通道产生一个标量值，存储在变量
x
中；公式表示如下，其中，
h,w
分别为通道的高度和宽度，
c
表示通道索引：第一全连接层使用具有
ReLU
激活函数的全连接层将全局平均池化后的特征
x
压缩到较低维度，公式表示为：
x
＝
relu(W1·
x+b1)
其中
W1是第一个全连接层的权重矩阵，
b1是偏置；第二全连接层使用具有
sigmoid
激活函数的全连接层将压缩后的特征
x
解压缩回原始通道数，公式表示：
x
＝
sigmoid(W2·
x+b2)
其中
W2是第一个全连接层的权重矩阵，
b2是偏置
。5.
如权利要求1所述的轴承故障诊断网络，其特征在于：所述
translation
层用于控制输出通道数，以实现维度的降低，包括
BN
层
、RELU
层
、1*1
卷积
、
正则化层和平均池化层
。6.
一种轴承故障诊断网络，其特征在于包括：数据预处理模块

【专利技术属性】
技术研发人员：马新娜，郑雪鹏，汤宇，刘勤清，李沂阳，梁秀，李豪，胡畅霞，何畔，张策，胡沛伶，谷丽华，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：