【技术实现步骤摘要】
本专利技术涉及轴承故障诊断领域，更具体地说是一种滚动轴承故障诊断方法。
技术介绍
1、滚动轴承是许多工业设备和机械系统中重要的组件之一，其正常运行对于保障设备的稳定性、可靠性和工作效率具有关键作用。然而，由于长期运转、恶劣工作环境以及负荷变化等原因，滚动轴承容易出现磨损、裂纹、疲劳和松动等故障。如果这些故障未能及时检测和诊断，可能会导致设备的停机维修、生产中断甚至事故，从而增加生产成本和安全隐患；
2、传统的滚动轴承故障诊断方法主要依赖于振动分析、声学特征提取、频谱分析等技术，但这些方法可能在故障早期难以准确捕捉微小的变化，同时也容易受到噪声和环境干扰的影响。
技术实现思路
1、本专利技术的目的是提供一种滚动轴承故障诊断方法，可以将格拉姆角差场与残差网络相结合，并在残差网络中嵌入通道注意力模块，以用于滚动轴承故障诊断，从而提高故障诊断精度。
2、本专利技术的目的通过以下技术方案来实现：
3、一种滚动轴承故障诊断方法，通过格拉姆角差场编码gadf将滚动轴承的振动信号转换成二维图像，将通道注意力模块fca嵌入残差网络模型resnet构建故障诊断模型fca-resnet，将二维图像输入到故障诊断模型fca-resnet中实现故障分类以用于滚动轴承故障诊断；
4、该方法包括以下步骤：
5、s1：以残差网络模型resnet为基础构建故障诊断模型fca-resnet；
6、s2：嵌入离散余弦变换的通道注意力模块fca；p>
7、s3：构建故障诊断模型fca-resnet；
8、s4：输入滚动轴承的振动信号；
9、s5：格拉姆角差场编码gadf将振动信号转换成二维图像；
10、s6：生成rgb三通道故障图；
11、s7：故障图输入到故障诊断模型fca-resnet中；
12、s8：故障诊断模型fca-resnet输出挖掘了故障图通道信息的结果；
13、s9：实现故障分类，完成滚动轴承的故障诊断；
14、所述s5中格拉姆角差场编码gadf将振动信号转换成二维图像包括以下步骤：
15、s51：将一维振动信号数据进行归一化，实测值x＝{x1,x2,...,xn}重新编排在[-1,1]区间内；
16、s52：重新编排的时间序列为将数值编码转换为角余弦，并在极坐标中显示；
17、s53：转换为极坐标系之后，考虑到每个点之间的三角差值，利用角度透视方法来表示不同时序间隔内的相关性；
18、所述实测值的编排式为：
19、
20、所述数值编码转换为角余弦的方式为：
21、
22、所述格拉姆角差场编码gadf的定义式如下：
23、
24、所述格拉姆角差场编码gadf的编码过程为根据时序信号的变化过程，从左上到右下进行的编码方式；
25、所述残差网络模型resnet是在卷积层之间使用一个快捷连接通道，将上层提取到的有效特征通过该通道直接传输到后面，进而有效防止卷积层对上层提取到的特征进行重复提取；
26、所述通道注意力模块fca通过自适应地关注有用的通道信息；
27、所述残差网络模型resnet是34层的残差网络，在中间层的卷积模块嵌入通道注意力模块fca，构建故障诊断模型fca-resnet。
28、本专利技术的有益效果为：
29、抛弃了原始信号作为直接的输入，通过格拉姆角差场编码gadf算法先将一维原始时序信号转化成图片，输入故障诊断模型fca-resnet中进行分类；
30、改变了原有的残差网络模型resnet，将通道注意力模块fca嵌入残差网络模型resnet构建故障诊断模型fca-resnet，即加入通道注意力机制，增强对图片特征提取的充分性。
本文档来自技高网...【技术保护点】
1.一种滚动轴承故障诊断方法，其特征在于：通过格拉姆角差场编码GADF将滚动轴承的振动信号转换成二维图像，将通道注意力模块Fca嵌入残差网络模型ResNet构建故障诊断模型Fca-ResNet，将二维图像输入到故障诊断模型Fca-ResNet中实现故障分类以用于滚动轴承故障诊断。
2.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤：
3.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：所述S5中格拉姆角差场编码GADF将振动信号转换成二维图像包括以下步骤：
4.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：所述实测值的编排式为：
5.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：所述数值编码转换为角余弦的方式为：
6.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：所述格拉姆角差场编码GADF的定义式如下：
7.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：所述格拉姆角差场编码GADF的编码过程为根据时序信号的变化过程，从左
8.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：所述残差网络模型ResNet是在卷积层之间使用一个快捷连接通道，将上层提取到的有效特征通过该通道直接传输到后面，进而有效防止卷积层对上层提取到的特征进行重复提取。
9.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：所述通道注意力模块Fca通过自适应地关注有用的通道信息。
10.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：所述残差网络模型ResNet是34层的残差网络，在中间层的卷积模块嵌入通道注意力模块Fca，构建故障诊断模型Fca-ResNet。
...【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征在于：通过格拉姆角差场编码gadf将滚动轴承的振动信号转换成二维图像，将通道注意力模块fca嵌入残差网络模型resnet构建故障诊断模型fca-resnet，将二维图像输入到故障诊断模型fca-resnet中实现故障分类以用于滚动轴承故障诊断。
2.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤：
3.根据权利要求2所述的一种滚动轴承故障诊断方法，其特征在于：所述s5中格拉姆角差场编码gadf将振动信号转换成二维图像包括以下步骤：
4.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：所述实测值的编排式为：
5.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：所述数值编码转换为角余弦的方式为：
6.根据权利要求3所述的一种滚动轴承故障诊断方法，其...
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。