System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断,特别涉及一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法。
技术介绍
1、滚动轴承作为旋转机械系统中的核心部件,被广泛的应用在大型机械设备中,如风力涡轮机、高速列车、航空航天设备。滚动轴承失效轻则导致机械设备停机和工业生产停滞,重则造成严重的安全问题和不可挽回的人员伤亡。因此,滚动轴承故障诊断在确定其健康状况和减轻潜在危险方面具有相当重要的意义。
2、滚动轴承故障诊断的一种流行技术涉及检查其发出的振动信号,这些信号是由于滚动元件、滚道和保持架在旋转过程中的相互作用而产生的。随着滚动轴承状况的改变,相应的振动信号也会发生变化,从而提供对其健康状态的重要洞察。对这些振动信号的研究产生了两种主要的滚动轴承故障诊断方法:信号处理方法和机器学习方法。尽管如此,这些方法的功效通常会受到高强度的环境噪声影响。强烈的环境噪声易于把故障相关信息掩盖,而传统模型不具有好的噪声鲁棒性,在高噪声环境下会有显著性能恶化。
技术实现思路
1、(一)解决的技术问题
2、本专利技术提供一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,可以克服训练过程中环境噪声影响大的问题,提高滚动轴承在高噪声环境下的故障诊断性能。
3、(二)技术方案
4、为实现上述专利技术目的,本专利技术一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,所述方法包括:
5、s1、对滚动轴承的真实故障信号进行滑动切分及加噪处理;
6、s2
7、s3、训练soft-ffrnet模型;
8、s4、基于所述soft-ffrnet模型对滚动轴承进行故障检测。
9、在一种可能的实现方式中,对滚动轴承的故障信号进行滑动切分处理,并对其进行加噪处理;
10、通过下述公式(1)进行滑动切分处理:
11、(1)
12、其中,表示滚动轴承的故障信号采样点个数,表示切割后的样本片段个数,表示每个样本片段的长度,表示每两个相邻样本片段的重叠长度;
13、通过下述公式(2)进行加噪处理:
14、(2)
15、其中,所加的噪声为高斯白噪声,snr表示信噪比,表示信号的功率,表示噪声的功率。
16、在一种可能的实现方式中,所述用于高噪声环境的软阈值傅里叶双谱特征细化网络模型soft-ffrnet主要包括以下两个模块:
17、傅里叶双谱特征细化器,用于赋予模型频域学习能力,其从幅值以及相位的角度对频域特征进行提取与精炼,增强其中的故障相关成分;
18、基于软阈值的残差模块,用于提供自适应的阈值以处理复杂多样的噪声环境,所使用的软阈值方法代替了传统relu激活函数以提供自适应降噪,另外,残差连接中只使用了一层卷积网络以优化训练速度以及防止过拟合。
19、在一种可能的实现方式中,所述软阈值傅里叶双谱特征细化网络模型soft-ffrnet包含个傅里叶双谱特征细化器和个基于软阈值的残差模块,和均为大于等于1的整数。
20、在一种可能的实现方式中,所述训练软阈值傅里叶双谱特征细化网络模型soft-ffrnet,包括:
21、设置最大迭代次数,初始化当前迭代次数,给定早停周期;
22、滚动轴承的故障信号的数据集按一定比例进行分割,分为训练集和测试集;
23、通过下述公式(3)计算损失函数值:
24、(3)
25、其中,表示故障类别个数,表示第 i个故障类别的真实概率值,表示第 i个故障类别的预测概率值;
26、判断当前迭代次数或者 loss未得到优化周期,若满足,则停止迭代训练,得到训练好的软阈值傅里叶双谱特征细化网络模型;否则,将损失值 loss通过反向传播算法更新软阈值傅里叶双谱特征细化网络模型,然后进行下一轮训练。
27、(三)有益效果
28、与现有技术相比,本专利技术的有益效果是:
29、本专利技术的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,利用所提出的傅里叶双谱特征细化器以及基于软阈值的残差模块,所提出的方法可以克服传统方法在高噪声环境下的性能恶化,实现了具有噪声鲁棒性的滚动轴承故障诊断。
本文档来自技高网...【技术保护点】
1.一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,对滚动轴承的故障信号进行滑动切分处理,并对其进行加噪处理;
3.根据权利要求1所述的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,所述用于高噪声环境的软阈值傅里叶双谱特征细化网络模型Soft-FFRNet主要包括以下两个模块:
4.根据权利要求3所述的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,所述软阈值傅里叶双谱特征细化网络模型Soft-FFRNet包含个傅里叶双谱特征细化器和个基于软阈值的残差模块和均为大于等于1的整数。
5.根据权利要求1所述的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,所述训练软阈值傅里叶双谱特征细化网络模型Soft-FFRNet,包括:
【技术特征摘要】
1.一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,对滚动轴承的故障信号进行滑动切分处理,并对其进行加噪处理;
3.根据权利要求1所述的一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法,其特征在于,所述用于高噪声环境的软阈值傅里叶双谱特征细化网络模型soft-ffrnet主要包...
【专利技术属性】
技术研发人员:罗文均,王欢,刘志亮,左明健,
申请(专利权)人:青岛明思为科技有限公司,
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。