【技术实现步骤摘要】
本专利技术属于机械故障诊断，具体的说是基于深度学习的轴承故障诊断方法及装置，应用于旋转机械设备中轴承故障的检测。
技术介绍
1、滚动轴承被称为“工业的关节”，是广泛应用于各类机械中的关键基础部件。滚动轴承由于其恶劣的工作环境，是大型机械设备的易损零件，这会对机械设备的性能、稳定性和寿命产生重大影响。许多研究表明，40％-50％的旋转机械故障都是由滚动轴承故障直接引起的。为了保证机械设备的正常运行，及时、有效的诊断轴承状态是必不可少的。
2、传统滚动轴承的故障诊断方法一般是通过信号分析和信息处理等综合技术手段对特征进行提取，进而实现对滚动轴承故障类型的识别。作为诊断的关键步骤，信号特征的提取将直接影响故障识别的可靠性。传统的基于信号处理方法虽然能够实现滚动轴承故障诊断任务，但是这些方法在特征提取方面需要丰富的专业知识和经验。此外，传统信号处理方法提取的故障特征，只适用于某一条件下的故障类型，其他工况下轴承故障诊断难以实现。
3、近年来，随着深度学习技术的快速发展，研究人员开始将深度学习应用于轴承故障识别中。深度学习不仅可以处理复杂工况下原始数据的能力，还克服了信号处理方面复杂的特征提取，同时有效的解决了信号处理方法泛化能力不足的问题。在实际工况下，振动信号中会出现大量意想不到的噪声，大多数故障诊断方法的性能会急剧下降。这表明振动信号中附加的噪声会覆盖轴承的故障特征，从而导致错误的判断。
4、同时随着深度学习技术的发展，各种高性能的神经网络模型已经被应用到现实场景中。但是神经网络模型对硬件平台的计
技术实现思路
1、根据上述提出的技术问题，提出了一种基于深度学习的轴承故障诊断方法及装置，用于解决现有的轴承故障诊断方法在噪声环境下诊断精度低、鲁棒性较差的问题，同时也克服了模型泛化能力弱的缺点，并且解决了现有专业设备体型大、诊断速度慢的问题。
2、本专利技术主要采用的技术手段如下：一种基于深度学习的轴承故障诊断装置，包括：
3、传感数据采集模块，用于接收轴承故障诊断模块的控制信号，采集旋转机械设备在工作时产生的振动信号；
4、故障诊断模块，用于根据振动信号判断轴承状态，判断出轴承故障类型；
5、模型推理加速模块，用于对故障诊断模块进行加速。
6、所述轴承故障诊断模块，包括：
7、数据预处理模块，用于通过短时傅里叶变换对振动信号进行处理，生成二维的时频图像，并将时频图像标注故障类别，与对应的频率构成数据集；
8、特征提取模块，用于根据数据集对卷积神经网络进行训练；对于实时采集的振动信号，经数据预处理模块得到的时频图像，然后将时频图像输入到训练好的卷积神经网络中进行特征提取，得到特征图；
9、特征增强模块，用于对特征图的故障特征进一步提取，将分支提取的特征信息与主干特征图合并，得到增强后的特征。
10、所述特征提取模块，执行以下步骤：
11、输入的权重矩阵表达如下：
12、
13、其中，wc,c表示矩阵第c行、第c列的参数值，k表示每个通道的参数个数；
14、共享相同的学习参数运算如下：
15、
16、其中，表示特征图平均池化后第i个通道的第j个参数，表示yi的k个通道的集合，wj表示所有通道共享的相同学习参数，wi表示第i通道的运算结果，σ是sigmoid函数；
17、所述学习参数再通过卷积核大小为k的一维卷积实现。
18、所述特征增强模块，在残差分支中采用平均池化代替卷积运算。
19、所述模型推理加速模块，用于将卷积层和批量归一化层的参数合并到一起进行运算，以减少运算次数，包括以下步骤：
20、1)卷积层与批量归一化层参数合并计算过程如下：
21、
22、其中，和分别表示输入特征图的权重矩阵和偏差，和是在批量归一化之前的卷积层的权重矩阵和偏差，表示输入特征图，c表示特征图的通道数，cprev是输入卷积层的特征图fprev的通道数，k*k为滤波器的大小，fi,j是由fprev的k*k的邻域展开成k2cprev的向量，表示卷积层与批量归一化层合并运算后的特征图；
23、2)通过单个卷积运算进行替换得到卷积运算参数：
24、w＝wbnwconv
25、b＝wbnbconv+bbn
26、w、b分别为权重矩阵和偏差，用于卷积神经网络。
27、所述传感数据采集模块、故障诊断模块和模型推理加速模块均在arm平台上实现。
28、一种基于深度学习的轴承故障诊断方法，包括以下步骤：
29、传感数据采集模块根据接收轴承故障诊断模块的控制信号，采集加速度传感器按照固定采样频率采集的振动信号；
30、故障诊断模块根据接收的振动信号，首先通过短时傅里叶变换将时序信号转化为时频图像，作为卷积神经网络模型的输入；基于卷积神经网络模型，根据获取的时频图像判断出轴承的故障类别，并将结果输出至终端；
31、模型推理加速模块通过将卷积层和批量归一化层参数合并运算，对故障诊断模块进行加速。
32、所述卷积神经网络模型的训练，具体如下：
33、数据预处理模块通过短时傅里叶变换对振动信号进行处理，生成二维的时频图像，并将时频图像标注故障类别，构成数据集；
34、故障诊断模块将数据集输入至卷积神经网络模型进行训练，以得到轴承的故障类别。
35、本专利技术的有益效果是：
36、1.本专利技术建立了一种基于深度学习的轴承故障诊断方法，主要是针对工业现场中复杂噪声环境与变负载工况导致的轴承故障诊断准确率低的问题。本专利技术提出的轴承故障诊断方法，可以在高噪声环境下保持较高的准确率，同时本专利技术具有方便携带、诊断速度快的优点。
37、2.本专利技术所述的一种基于深度学习的轴承故障诊断方法及装置，通过传感数据采集模块、深度学习故障诊断模块和模型推理加速模块，构建了一套基于深度学习的轴承故障诊断方法及装置，能够实时监测旋转机械中轴承的状态信息。当检测轴承出现故障信号时，显示屏幕将会显示对应得故障类型，并发出安全示警，从而采取及时的保护措施，保障了人员和设备的安全性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的轴承故障诊断装置，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述轴承故障诊断模块，包括：
3.根据权利要求2所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述特征提取模块，执行以下步骤：
4.根据权利要求2所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述特征增强模块，在残差分支中采用平均池化代替卷积运算。
5.根据权利要求1所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述模型推理加速模块，用于将卷积层和批量归一化层的参数合并到一起进行运算，以减少运算次数，包括以下步骤：
6.根据权利要求1所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述传感数据采集模块、故障诊断模块和模型推理加速模块均在ARM平台上实现。
7.一种基于深度学习的轴承故障诊断方法，其特征在于，包括以下步骤：
8.根据权利要求7所述的一种基于深度学习的轴承故障诊断方法，其特征在于，所述卷积神经网络模型的训练，具体如下：
【技术特征摘要】
1.一种基于深度学习的轴承故障诊断装置，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述轴承故障诊断模块，包括：
3.根据权利要求2所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述特征提取模块，执行以下步骤：
4.根据权利要求2所述的一种基于深度学习的轴承故障诊断装置，其特征在于，所述特征增强模块，在残差分支中采用平均池化代替卷积运算。
5.根据权利要求1所述的一种基于深度学习的轴承故...
【专利技术属性】
技术研发人员：尹震宇，李炯，郭锐锋，杨东升，刘思宇，张飞青，周扬维，尹聪，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
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。