【技术实现步骤摘要】
本专利技术涉及结合残差收缩模块的多传感器数据轴承故障诊断方法。
技术介绍
1、随着工业自动化的发展，旋转机械设备在工业生产中发挥着越来越重要的作用，在工业系统中也得到愈加广泛的应用。由于旋转设备的维护周期较长，一次故障停机所造成的各方面损失巨大，因此在工业生产过程需重点关注生产设备的关键零部件的运行状态及其故障检测，以保证机械和系统能够长期处于安全生产状态，并在及时发现潜在的安全隐患的同时提供对应的维修策略，以避免生产事故的发生。而滚动轴承作为旋转机械的关键部件，应用于运输、航空航天、高端精密机械等领域，当滚动轴承故障时，通常会导致所有机器和设备无法正常运行，甚至损坏。
2、目前故障诊断已逐渐朝着智能化方向发展，与传统的机器学习故障诊断方法相比，深度学习具有强大的数据分析和处理性能，通过建立深度模型，以故障数据作为输入，自动提取分析故障特征并进行分类，实现端到端的故障诊断。然而，随着机械结构的精密化程度不断提高，数据采集的源头逐渐增多，仅将单个传感器的数据应用于故障诊断已经无法满足现在的诊断需要，而且单个传感由于安装位置和自身质量等问题使得诊断结果存在不确定性。
技术实现思路
1、本专利技术提出结合残差收缩模块的多传感器数据轴承故障诊断方法，能够实现在复杂工业生产环境下轴承的高精度智能故障诊断。
2、本专利技术通过以下技术方案实现：
3、结合残差收缩模块的多传感器数据轴承故障诊断方法，包括如下步骤：
4、步骤s1、在轴承不同的运行状态
5、步骤s2、构建故障诊断模型并初始化故障诊断模型参数，故障诊断模型包括并行的两网络分支、特征融合层、归一化层、激活层、全局平均池化层和softmax分类器，各网络分支依次堆叠卷积层、残差收缩模块和池化层以实现自适应的特征提取，特征融合层将两网络分支提取的特征融合后依次经归一化层、激活层和全局平均池化层，并使用softmax分类器进行故障分类；
6、步骤s3、采用步骤s1所得到的两训练集对故障诊断模型进行训练，以调整优化故障诊断模型参数，直到达到预设的训练周期，两训练集分别作为两网络分支的输入数据；
7、步骤s4、将两测试集输入训练好的故障诊断模型中，完成模型测试。
8、进一步的，所述步骤s1中二维图像数据的获取过程包括：
9、步骤s11、在轴承不同的运行状态下，将两传感器装在轴承不同的位置以采集不同的轴承振动信号，轴承振动信号为一维数据；
10、步骤s12、通过采样点固定的采样窗口对轴承振动信号进行截取，采样窗口以固定步幅由左往右移动，以进行连续重叠采样得到采集样本；
11、步骤s13、将采集样本的每个数据点归一化至[0,1]区间，再乘以255转换为二维灰度图像上对应位置上的像素值后，再将每个数据点从左到右依次堆叠以组合成一个二维矩阵，即为所述二维图像数据。
12、进一步的，所述采样窗口的采样点设置为4096个，所述固定步幅设置为100个采样点。
13、进一步的，所述步骤s2中，所述两并行的网络分支为卷积核大小相同的卷积神经网络结构，分别对不同的输入数据进行卷积操作。
14、进一步的，所述步骤s2中，所述特征融合层使用add函数将并行的两网络分支进行融合拼接。
15、进一步的，所述步骤s2中，所述故障诊断模型参数初始化为：初始学习率设为0.0005，若本周期训练损失没有下降则减小学习率；训练周期为20；每个训练周期将32个采集样本随机打乱抽取为一批；选取adam优化算法进行优化。
16、进一步的，所述步骤s3中，通过误差反向传播的方式调整优化故障诊断模型参数，采用adam算法进行最优化，在训练过程中保持记录故障诊断模型误差变化曲线以及分类准确率随迭代次数的变化。
17、进一步的，所述步骤s11中，所述不同的运行状态包括正常运行、滚动体故障、内圈故障和外圈故障，在轴承的驱动端和风扇端分别安装传感器，以得到分别对应于驱动端和风扇端的两组故障数据。
18、进一步的，所述传感器为加速度计。
19、本专利技术具有如下有益效果：
20、1、本专利技术利用两传感器分别采集轴承不同的运行状态下，轴承两个不同位置的振动信号，并对振动信号预处理后得到的二维图像数据对构建的故障诊断模型进行训练，故障诊断模型则包括并行的两网络分支，两个不同位置的故障数据分别作为网络分支的输入数据，网络分支基于残差收缩模块实现了对来自不同传感器的故障数据的自适应特征提取，通过学习不同故障数据特征之间的关联性和互补性，实现在复杂工业生产环境下的高精度智能故障诊断，同时提升诊断效率。
本文档来自技高网...【技术保护点】
1.结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤S1中二维图像数据的获取过程包括：
3.根据权利要求2所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述采样窗口的采样点设置为4096个，所述固定步幅设置为100个采样点。
4.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤S2中，所述两并行的网络分支为卷积核大小相同的卷积神经网络结构，分别对不同的输入数据进行卷积操作。
5.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤S2中，所述特征融合层使用Add函数将并行的两网络分支进行融合拼接。
6.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤S2中，所述故障诊断模型参数初始化为：初始学习率设为0.0005，若本周期训练损失没有下降则减小学
7.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤S3中，通过误差反向传播的方式调整优化故障诊断模型参数，采用Adam算法进行最优化，在训练过程中保持记录故障诊断模型误差变化曲线以及分类准确率随迭代次数的变化。
8.根据权利要求2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤S11中，所述不同的运行状态包括正常运行、滚动体故障、内圈故障和外圈故障，在轴承的驱动端和风扇端分别安装传感器，以得到分别对应于驱动端和风扇端的两组故障数据。
9.根据权利要求2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述传感器为加速度计。
...【技术特征摘要】
1.结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤s1中二维图像数据的获取过程包括：
3.根据权利要求2所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述采样窗口的采样点设置为4096个，所述固定步幅设置为100个采样点。
4.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤s2中，所述两并行的网络分支为卷积核大小相同的卷积神经网络结构，分别对不同的输入数据进行卷积操作。
5.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特征在于：所述步骤s2中，所述特征融合层使用add函数将并行的两网络分支进行融合拼接。
6.根据权利要求1或2或3所述的结合残差收缩模块的多传感器数据轴承故障诊断方法，其特...
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。