【技术实现步骤摘要】
本专利技术涉及机械轴承振动故障检测的，具体而言，涉及一种基于深度学习的机械轴承振动故障的检测方法、计算机装置和计算机可读存储介质。
技术介绍
1、在工业智能制造的时代背景下，我国产业链水平提升，越来越多的行业和领域都需要机械装备作为生产运行的保障，一大批机械装备投入到国民生活和重大基础设施中去，旋转机械作为机械装备的重要组成也被广泛应用于诸多领域。随着机械设备保有量的增加，也暴露出了许多安全问题。由于旋转机械所处的普遍是高温、高载荷、高转速且伴随摩擦振动的恶劣环境，随着时间推移，旋转机械里的转子、齿轮、滚动体等重要部件会产生一定的损耗，进而引发一些损伤和故障。在机械设备运行时，发生故障而未得到正确及时的处理将会给生产生活带来严重影响。
2、早期的故障诊断方法是先发生再去诊断，成本高且低效，无法适应时代要求；现在我们需要在设备运行的同时进行数据特征提取并进行故障诊断，要能实时解决故障问题甚至能提前预判故障。并且早期的诊断方法主要依靠人工经验和先验知识，各机械故障振动信号的状态特征是不同的，人工从时域波形中识别分类出故障类型是一项困难的工作，难于满足现如今复杂多样的机械设备诊断。虽然基于机器学习和深度学习技术的旋转机械故障诊断方法取得较大的突破和广泛的应用，但仍具有很大的局限性：
3、(1)传统的机器学习算法结构简单，层次较浅，限制了分类器在故障诊断任务中学习到更复杂的非线性关系的能力，无法提取深层次故障特征信息。
4、(2)深度学习模型表征能力强大能自适应提取多尺度特征，但其中多数的经典网络架构
5、(3)将卷积神经网络应用于深度学习技术中进行机械故障诊断，虽然能够提取故障特征并进行故障诊断，但旋转机械强弱故障特征难以表征出全面的故障信息、故障信息容易被噪声淹没，提取的错误或无关特征导致诊断错误率较高，最后的诊断效果不能令人满意。
6、(4)随着网络结构的深度不断增加，卷积神经网络学习到的特征越来越抽象，而且容易过拟合，就会使网络性能退化进而影响后面机械故障诊断的最终性能。
7、随着工业现代化的高速发展，人们对于旋转机械故障诊断技术愈加关注，因此，有必要研发一种更加高效、可靠的基于深度学习的机械轴承故障诊断方法，来解决上述存在的技术问题。
技术实现思路
1、本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
2、为此，本专利技术的第一目的在于提出一种基于深度学习的机械轴承振动故障的检测方法。
3、本专利技术的第二目的在于提出一种计算机装置。
4、本专利技术的第三目的在于提出一种计算机可读存储介质。
5、为了实现上述目的，本专利技术的第一方面的技术方案，提供了一种基于深度学习的机械轴承振动故障的检测方法，包括：步骤s1：获取机械轴承的故障数据集；其中，所述故障数据集为收集到的机械轴承随时间变化的原始振动信号；步骤s2：对所述故障数据集中的每段机械轴承的原始振动信号进行标记和分类，得到z类样本集；步骤s3：使用短时傅里叶变换将所述z类样本集对应的每段机械轴承的原始振动信号分解成一组在时间上局部化的频率分量；所述短时傅里叶变换的表达式为：
6、x(k，n)＝(1/m)∑x(m)w(m-nm)e(-j2πmk/n)
7、式中，x(m)表示要处理的信号，是z类样本集对应的每段机械轴承的原始振动信号x(t)的m个样本，m＝0,1,2,...,m-1；w(m-nm)表示窗函数，用于控制时间分辨率和频率分辨率之间的权衡，m为窗口长度；n为信号中的样本总数；n表示时间指标，即窗函数在时间轴m上滑动的位置，取值范围为0～n/m-1；参数k表示频率指标，取值范围为0～n-1；步骤s4：按照预设比例将进行短时傅里叶变换后的所述故障数据集划分为训练集、验证集和测试集；步骤s5：搭建rcnn网络模型；其中，所述rcnn网络模型由若干个卷积层、若干个池化层和一个全连接层组成，在所述若干个卷积层中的某一层加入残差连接，以及在所述若干个池化层中的某一层加入残差连接；步骤s6：构造所述rcnn网络模型的损失函数；步骤s7：基于所述rcnn网络模型的损失函数和所述训练集训练所述rcnn网络模型，将所述验证集输入训练后的rcnn网络模型进行优化，保存最终优化后的rcnn网络模型；步骤s8：将所述测试集输入所述最终优化后的rcnn网络模型进行机械轴承的故障检测，得到机械轴承的故障检测结果。
8、优选地，所述rcnn网络模型由七个卷积层、六个池化层和一个全连接层组成，在第三个卷积层加入残差连接，以及在第六个卷积层加入残差连接。
9、优选地，所述步骤s7，具体包括：采用adam优化器对所述rcnn网络模型进行训练及优化；将所述验证集输入训练后的rcnn网络模型进行优化的过程中，当所述rcnn网络模型的损失函数的输出值连续10次没有下降时，则将此时的rcnn网络模型保存为所述最终优化后的rcnn网络模型。
10、优选地，所述步骤s8，具体包括：将所述测试集输入所述最终优化后的rcnn网络模型，以对所述测试集进行特征提取；将提取到的所述测试集的特征馈送到所述全连接层中进行分类，以供所述全连接层通过softmax激活函数来产生一组对应的概率值；其中，所述概率值，用于确定机械轴承存在的某一特定故障类型的概率；当产生的所述一组对应的概率中存在高于对应的某一阈值时，则得到机械轴承存在某一特定故障类型的检测结果。
11、优选地，所述步骤s2之前，还包括：对所述机械轴承的故障数据集进行预处理。
12、本专利技术的第二方面的技术方案，还提供了一种计算机装置，该计算机装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一技术方案中的基于深度学习的机械轴承振动故障的检测方法的步骤。
13、本专利技术的第三方面的技术方案，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一技术方案中的基于深度学习的机械轴承振动故障的检测方法的步骤。
14、本专利技术的有益效果：
15、本专利技术提出了一种创新的机械轴承振动故障的检测方法，通过将时频分析的短时傅里叶变换和深度学习相结合的方法，即采用stft-rcnn架构提取并分析故障信号的时频特性，来处理机械轴承振动故障的检测问题。具体地，stft(短时傅里叶变换)将原始时域信号转换为突出频率信息的频谱图，而rcnn使用残差连接来缓解梯度消失问题，并增强模型捕获复杂信息的能力，使得模型提高了对于故障特征的学习效率，并且通过多步卷积操作来一次性学习多个机械故障特征，减少了模型训练时长，可自主学习到面向故障诊断有利的特征信息，而对故障本文档来自技高网...
【技术保护点】
1.一种基于深度学习的机械轴承振动故障的检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述RCNN网络模型由七个卷积层、六个池化层和一个全连接层组成，在第三个卷积层加入残差连接，以及在第六个卷积层加入残差连接。
3.根据权利要求1所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述步骤S7，具体包括：
4.根据权利要求1所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述步骤S8，具体包括：
5.根据权利要求1至4中任一项所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述步骤S2之前，还包括：
6.一种计算机装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于深度学习的机械轴承振动故障的检测方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要
...【技术特征摘要】
1.一种基于深度学习的机械轴承振动故障的检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述rcnn网络模型由七个卷积层、六个池化层和一个全连接层组成，在第三个卷积层加入残差连接，以及在第六个卷积层加入残差连接。
3.根据权利要求1所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述步骤s7，具体包括：
4.根据权利要求1所述的基于深度学习的机械轴承振动故障的检测方法，其特征在于，所述步骤s8，具体包括：
5...
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。