【技术实现步骤摘要】
本专利技术涉及故障诊断，更具体的说是涉及一种滚动轴承故障高效诊断方法及系统。
技术介绍
1、在现代工业系统中，机械旋转体已向高速、大规模和集成化发展，并在航空、工业生产、高速铁路中起到了至关重要的作用。滚动轴承作为机械设备中的重要零件，起到了支撑旋转体、减少摩擦以及带动传动的作用。如果轴承发生故障，将导致机械旋转体乃至整个机械设备意外停机，从而造成严重的人员伤亡和经济损失。
2、目前主流的滚动轴承故障诊断可以分为两种：基于故障机理的故障诊断方法和基于数据驱动的故障诊断方法。基于故障机理的诊断方法通过研究故障机理，建立动力学模型来分析损坏的轴承的振动特性。此类故障诊断方法通常需要丰富的先验知识和精准的系统模型，对于复杂系统难以实现。基于数据驱动的方法不依赖故障产生机理，可以在缺乏先验知识的情况下进行故障诊断。因此，一些经典的机器学习方法被提了出来。传统的数据驱动方法在进行轴承故障诊断之前，需要先对采集到的信号进行故障提取、特征选择等操作，这提高了对领域知识的要求。此外，由于诊断模型结构较浅，此类方法无法提取更为丰富的特征，限制了故障诊断性能。近年来，机械设备检测与故障诊断进入“大数据分析时代”。深度学习凭借着其强大的特征提取能力，受到了研究人员的广泛关注。卷积神经网络(cnn)是深度学习中最重要的模型之一。凭借着强大的特征提取能力，大大提高了故障诊断效率。然而，cnn在进行卷积操作时产生大量的冗余特征，严重浪费了设备的计算资源以及消耗了大量的时间，抗噪能力也较差；无法高效快速的进行滚动轴承故障诊断，诊断结果准确率也有待
3、因此，如何减少诊断时间，高效快速并准确的进行滚动轴承故障诊断，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供至少解决上述部分技术问题的一种滚动轴承故障高效诊断方法及系统，具有更好的诊断效果以及更少的诊断时间，能够高效快速准确的进行滚动轴承故障诊断。
2、为实现上述目的，本专利技术采取的技术方案为：
3、第一方面，本专利技术实施例提供一种滚动轴承故障高效诊断方法，该方法包括：
4、获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；
5、基于坐标ghost bottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；
6、利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；
7、将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。
8、可选的，所述将一维振动信号转换为灰度图，计算公式为：
9、
10、其中，p(j,k)表示转化后的每个图像的像素值；j＝1…n，k＝1…n；round()表示取整函数，该函数将所有像素归一化至0-255之间；n表示子信号列长度，l表示信号强度。
11、可选的，所述基于坐标ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：
12、构建坐标ghostbottleneck；在ghostbottleneck中加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，优化图像分类的性能；
13、构建自适应权重模块，用以利用相似特征图所包含的信息；
14、使用两个坐标ghostbottleneck和两个自适应权重模块作为网络主干；
15、令输入图像的大小为32×32，经过transform后将尺寸调整转化为224×224；
16、转化后的图像在经过第一个3×3卷积后进入ghost bottleneck开始生成ghost特征图，然后进入自适应权重模块；经过两次重复后使模型充分整合输入图像的特征；
17、在经过最后一层3×3卷积层和平均池化后，使用dropout操作，dropout参数值设定为0.5。
18、可选的，所述构建自适应权重模块，包括：
19、模块中划分为像素注意力分支、通道注意力分支和自适应权重分支；其中：
20、像素注意力分支包含一个1×1卷积核像素注意力块；
21、在通道注意力分支中，使用一个1×1卷积核和通道注意力块，并使用一个1×1卷积进行特征重组，用以与自适应权重分支进行权重融合；
22、在两个注意力分支中加入两个交叉结构，通过特征复用的方式来弥补不同注意力间所忽视掉的特征：
23、自适应权重分支利用加权求和分配像素注意力分支和通道注意力分支的权重。
24、可选的，利用所述训练集对所述故障诊断网络模型进行训练时，训练epoch设置为30，初始学习率设置为0.001，每个批次设置为64。
25、可选的，利用所述训练集对所述故障诊断网络模型进行训练时，用softmax分类函数进行反向传播更新权重，利用adam优化器进行优化。
26、第二方面，本专利技术实施例还提供一种滚动轴承故障高效诊断系统，应用上述的一种滚动轴承故障高效诊断方法，进行滚动轴承故障高效智能诊断，该系统包括：
27、数据转化模块，用于获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；
28、故障诊断网络模型构建模块，用于基于坐标ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；
29、模型训练模块，用于利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；
30、故障诊断模块，用于将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。
31、与现有技术相比，本专利技术至少具有如下有益效果：
32、本专利技术提供了一种滚动轴承故障高效诊断方法及系统，可以用于嘈杂环境、负载变化以及混合故障条件下的故障诊断。本专利技术中首先将振动信号转化为二维图像，将噪音转化为图像亮度等特征，减少了噪音对原始信号的影响；基于坐标ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，进行充分的特征提取，为了减少模型参数量，增强模型表征能力，本专利技术将坐标注意力引入ghost bottleneck，大大降低了模型计算量。通过自适应权重模块，动态利用由卷积生成的特征来更加高效的表征输入信息。本专利技术克服了卷积神经网络抗噪能力差，耗费时间长的缺点，与先进神经网络ghostnet、alexnet、resnet34、mobilenetv3、和googlenet相比，cga-net具有更好的诊断效果以及更少的诊断时间，能够高效快速准确的进行滚动轴承故障诊断。
33、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种滚动轴承故障高效诊断方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，所述将一维振动信号转换为灰度图，计算公式为：
3.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，所述基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：
4.根据权利要求3所述的一种滚动轴承故障高效诊断方法，其特征在于，所述构建自适应权重模块，包括：
5.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，利用所述训练集对所述故障诊断网络模型进行训练时，训练epoch设置为30，初始学习率设置为0.001，每个批次设置为64。
6.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，利用所述训练集对所述故障诊断网络模型进行训练时，用Softmax分类函数进行反向传播更新权重，利用Adam优化器进行优化。
7.一种滚动轴承故障高效诊断系统，其特征在于，应用如权利要求1-6任一项所述的一种滚动轴承故障高效诊断方
8.根据权利要求7所述的一种滚动轴承故障高效诊断方法，其特征在于，所述基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：
...【技术特征摘要】
1.一种滚动轴承故障高效诊断方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，所述将一维振动信号转换为灰度图，计算公式为：
3.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，所述基于坐标ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：
4.根据权利要求3所述的一种滚动轴承故障高效诊断方法，其特征在于，所述构建自适应权重模块，包括：
5.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，利用所述训练集对所述故障诊断网络模型进行训练时，训练epo...
【专利技术属性】
技术研发人员：强睿儒，赵小强，刘凯，顾鹏，姚青磊，张亚洲，柴靖轩，脱奔奔，徐珂，赵春雨，孙凯文，李森，
申请(专利权)人：兰州理工大学，
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。