本发明专利技术公开了一种基于深度学习的滚动轴承故障诊断方法及装置，方法包括：采集滚动轴承的振动信号；将采集的滚动轴承的振动信号输入构建的滚动轴承故障诊断模型1D‑Inception‑SE，获得诊断结果。本发明专利技术具有准确率高、鲁棒性强、领域自适应能力好等特点，可以用于复杂环境下的轴承故障检测。
【技术实现步骤摘要】
本专利技术属于轴承故障诊断，具体涉及一种基于深度学习的滚动轴承故障诊断方法及装置。
技术介绍
1、在现代工程和制造领域中，滚动轴承的可靠性直接关系到众多关键设备的安全和稳定运行。根据统计数据，在高负荷、高冲击等困难极端负载工况下，轴承性能的退化直接导致电机停机率高达40％左右。因此，对滚动轴承进行监测和故障诊断变得异常重要，以确保设备保持最佳工作状态，同时避免生产中不必要的停机和维修成本。
2、近年来，随着ai领域的迅速发展，基于数据驱动的轴承故障方法已成为研究的热点。现有技术中基于数据驱动的轴承故障诊断方法，在轴承故障诊断方面表现出较好的性能，但是现有技术中均对输入的振动信号进行了复杂的处理，会造成一定的特征信息缺失，存在一定的局限性；在实际情况中滚动轴承常运行于正常状态，故障数据的获取与标注成本巨大，因此故障样本常常是少量，这就要求模型在较少样本条件下仍然能保障高准确率；此外，滚动轴承的工作环境复杂，运行过程有噪声干扰和负载变化是常态，这就要求模型有较强的跨领域泛化性来保证在有噪声以及变负载条件下的精准诊断。
r/>技本文档来自技高网...
【技术保护点】
1.一种滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述滚动轴承故障诊断模型1D-Inception-SE，具体为：
3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述1D-Inception网络结构，是在Inception网络结构的基础上进行改进得到的，所述1D-Inception网络结构包括瓶颈层，其滤波器由1×1的一维卷积构成，其步长为1，通道数为32，用于降低输入信号的维度；在瓶颈层之后是三组通道数为16的滤波器，并使用卷积长度为10×1、20×1和40×1的一维卷积代替原始的二维卷积进行...
【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述滚动轴承故障诊断模型1d-inception-se，具体为：
3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述1d-inception网络结构，是在inception网络结构的基础上进行改进得到的，所述1d-inception网络结构包括瓶颈层，其滤波器由1×1的一维卷积构成，其步长为1，通道数为32，用于降低输入信号的维度；在瓶颈层之后是三组通道数为16的滤波器，并使用卷积长度为10×1、20×1和40×1的一维卷积代替原始的二维卷积进行自适应故障特征提取，用于扩大网络的宽度，并增加感受野的大小，从而更适应于一维振动信号特征的提取。
4.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，在所述残差网络中，使用残差链...
【专利技术属性】
技术研发人员：孙宁，汤家辉，蒋亮，王松雷，王海军，陈江，朱思成，
申请(专利权)人：南京信息工程大学，
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。