【技术实现步骤摘要】
本专利技术涉及轴承故障检测，更具体的说是涉及一种基于改进efficientnetv2的轴承跨工况故障检测方法及系统。
技术介绍
1、轴承发挥着减少旋转元件与静止元件间摩擦的作用，一旦发生故障，不仅会影响整个机械设备的安全平稳运行，严重情况下甚至会造成巨大的经济损失与灾难性的人员伤亡，因此，开展轴承状态监测与故障检测技术的研究具有十分重要的现实意义。
2、轴承故障检测最早依赖经验丰富的专家通过观察、敲击听声、触摸等方法实现；随着多种技术的成熟，基于数学模型的方法深入理解轴承的物理特性和行为，提供了更可靠的检测结果，但受制于建立数学模型的准确度要求；
3、基于信号处理技术或机器学习技术分析传感器采样状态监测信号进行故障检测因无需建立复杂的数学模型，而被广泛应用，但现有的检测模型，如efficientnetv2，在面临设备运行工况随现场生产需求发生动态变动产生的待检测样本不足、以及与模型训练样本非同分布等问题，会出现过拟合及泛化性下降等现象，且无法较好的适应一维振动信号。
4、对此，本专利技术致力于改进efficientnetv2与引进迁移学习策略，以克服上述问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于改进efficientnetv2的轴承跨工况故障检测方法及系统。目的在于适配于一维信号，增强模型特征挖掘能力与跨工况泛化性能，提高轴承故障检测的实时性与准确度。
2、为了实现上述目的，本专利技术采用如下技术方案：
4、构建改进efficientnetv2故障检测模型，用于对轴承的振动信号进行特征提取，得到信号特征，以及根据所述信号特征对轴承进行故障检测；其中，
5、所述改进efficientnetv2故障检测模型依次包括一维卷积，fused-mbconv1d模块，mbconv1d模块，以及输出模块；
6、所述一维卷积，用于捕捉所述振动信号的局部特征；
7、所述fused-mbconv1d模块，依次包括第一一维卷积，第一一维扩张卷积，第一一维se注意力模块，第二一维卷积和第一shortcut连接层，用于根据所述局部特征进行特征快速提取，得到第一局部特征；
8、所述mbconv1d模块，依次包括一维深度卷积，第二一维扩张卷积，第二一维se注意力模块，一维逐点卷积以及第二shortcut连接层，用于进一步挖掘所述第一局部特征中的信息，得到信号特征。
9、优选的，所述一维卷积，通过定义卷积核的大小和步长滑动地对所述振动信号进行卷积操作，以捕捉信号的局部特征，计算公式为：
10、
11、式中，是第l-1层第j个区域的输出特征，是第l层第i个卷积核第j个区域的权值，是第l层卷积核第j个区域的偏置，k表示卷积核的尺寸，xl(i,j)是第l层第i个卷积核在第j个区域的输出特征。
12、优选的，在所述模型的卷积运算后加入批标准化层与swish激活函数层，swish激活函数计算公式为：
13、swish(x)＝x·sigmoid(βx)
14、式中，x是特征向量，β是一个用于控制函数形状的可调节的参数，sigmoid(·)表示sigmoid激活函数。
15、优选的，所述一维扩张卷积层，用于在标准一维卷积核中注入空洞在不降低分辨率的情况下增加模型的感受野，表达式为：
16、
17、式中，是第l层第j个区域的特征，k表示为卷积核原始大小，r表示为空洞率。
18、优选的，所述一维se注意力模块用于对各通道特征向量进行自适应加权校准，过程包括：
19、通过全局平均池化对所述特征向量进行压缩，得到压缩后的特征向量：
20、
21、式中，x＝[x1,x2,…,xc]为其中一个通道的特征向量，h是特征向量x的长度，fsq(x)表示对x进行压缩，z为压缩后的特征值，多个压缩后的特征值z进行拼接得到通道的压缩特征向量z，
22、通过两层全连接层学习压缩特征向量z重建过程中各通道特征间的关系，获得各通道权重，
23、s＝fex(z,ω)＝σ(ω2δ(ω1z))
24、式中ω1、ω2分别代表两层全连接层的权重，δ为relu函数，σ为sigmoid函数，fex(z,ω)表示激励阶段，s是通道权重向量并最终被归一化至[0,1]区间；
25、使用归一化权重矩阵s中的权值s对相应通道特征向量x进行加权操作fscale(x,s)，得到校准向量如下式所示：
26、
27、优选的，所述改进efficientnetv2故障检测模型的输出模块包含一维卷积层、平均池化层与全连接层，用于根据所述信号特征进行健康状态分类，得到轴承故障检测结果。
28、优选的，基于迁移学习在跨工况下对所述改进efficientnetv2故障检测模型进行训练与检测，训练过程包括：
29、基于源域工况样本对所述改进efficientnetv2进行训练，得到源域故障检测模型参数；
30、根据所述模型参数在目标域构建相同所述改进efficientnetv2故障检测模型，冻结一维卷积，fused-mbconv1d模块以及mbconv1d模块的参数，解冻输出模块的参数，利用目标域样本对输出模块参数进行微调。
31、优选的，根据交叉熵损失函数与中心距离损失函数构建联合损失函数，并按所述联合损失对所述改进efficientnetv2故障检测模型进行训练；
32、所述联合损失函数表达式为：
33、lall＝ηl+ηclc
34、式中，η、ηc为两种损失函数的权重，
35、l为交叉熵损失函数，表达式为：
36、
37、式中，n为类别数量，yic为符号函数，若样本i的真实类别为c，则yic＝1，否则yic＝0；pic为样本i属于类别c的预测概率；
38、lc为中心距离损失函数，表达式为：
39、
40、式中，hi表示第i类样本，表示各类的中心样本，n是类别的数量。
41、另一方面，本专利技术还公开了一种基于改进efficientnetv2的轴承跨工况故障检测系统，存储有如上所述中基于改进efficientnetv2的轴承跨工况故障检测方法中的改进efficientnetv2故障检测模型，并利用改进efficientnetv2故障检测模型对所述对轴承的振动信号进行特征提取，得到信号特征，以及根据所述信号特征对轴承进行故障检测。
42、本专利技术公开提供的基于改进efficientnetv2的轴承跨工况故障检测方法及系统，与现有技术相比，具有以下效果：
43、(1)本专利技术中改进efficientnetv2故本文档来自技高网...
【技术保护点】
1.一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，所述一维卷积，通过定义卷积核的大小和步长滑动地对所述振动信号进行卷积操作，以捕捉信号的局部特征，计算公式为：
3.根据权利要求1所述的一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，在所述改进EfficientNetV2故障检测模型的卷积运算后加入批标准化层与Swish激活函数层，Swish激活函数计算公式为：
4.根据权利要求1所述的一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，第一/第二一维扩张卷积层，用于在标准一维卷积核中注入空洞在不降低分辨率的情况下增加模型的感受野，表达式为：
5.根据权利要求1所述的一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，一维SE注意力模块用于对各通道特征向量进行自适应加权校准，过程包括：
6.根据权利要求
7.根据权利要求1所述的一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，基于迁移学习在跨工况下对所述改进EfficientNetV2故障检测模型进行训练与检测，训练过程包括：
8.根据权利要求1所述的一种基于改进EfficientNetV2的轴承跨工况故障检测方法，其特征在于，根据交叉熵损失函数与中心距离损失函数构建联合损失函数，并按所述联合损失函数对所述改进EfficientNetV2故障检测模型进行训练；
9.一种基于改进EfficientNetV2的轴承跨工况故障检测系统，其特征在于，存储有权利要求1-8任一项所述基于改进EfficientNetV2的轴承跨工况故障检测方法中的改进EfficientNetV2故障检测模型，并利用改进EfficientNetV2故障检测模型对所述对轴承的振动信号进行特征提取，得到信号特征，以及根据所述信号特征对轴承进行故障检测。
...【技术特征摘要】
1.一种基于改进efficientnetv2的轴承跨工况故障检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于改进efficientnetv2的轴承跨工况故障检测方法，其特征在于，所述一维卷积，通过定义卷积核的大小和步长滑动地对所述振动信号进行卷积操作，以捕捉信号的局部特征，计算公式为：
3.根据权利要求1所述的一种基于改进efficientnetv2的轴承跨工况故障检测方法，其特征在于，在所述改进efficientnetv2故障检测模型的卷积运算后加入批标准化层与swish激活函数层，swish激活函数计算公式为：
4.根据权利要求1所述的一种基于改进efficientnetv2的轴承跨工况故障检测方法，其特征在于，第一/第二一维扩张卷积层，用于在标准一维卷积核中注入空洞在不降低分辨率的情况下增加模型的感受野，表达式为：
5.根据权利要求1所述的一种基于改进efficientnetv2的轴承跨工况故障检测方法，其特征在于，一维se注意力模块用于对各通道特征向量进行自适应加权校准，过程包括：
6.根据权利要求1所述的一种基于改进efficientnetv...
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。