基于VMTF-RBCBAM-Net的滚动轴承-转子系统故障智能诊断方法技术方案

一种基于VMTF‑RBCBAM‑Net的滚动轴承‑转子系统故障智能诊断方法，首先将滚动轴承‑转子系统不同状态下的振动加速度信号积分为速度信号，并通过马尔可夫变迁场将其编码为二维图像，随后对生成的二维图像进行标注，并按比例划分为训练集、验证集和测试集；接着构建了一种融合残差结构与通道‑空间注意力机制的RBCBAM‑Net模型，并利用训练集数据对模型进行训练；最后，通过测试集数据对模型性能进行评估，并采用混淆矩阵和t‑SNE方法对RBCBAM‑Net模型的分类效果进行可视化分析；本发明专利技术能自适应地从设备振动速度信号的VMTF图像中提取多尺度关键特征，有效避免了训练过程中梯度消失现象的发生，具有较强的特征提取能力和泛化性能，在滚动轴承‑转子系统故障的智能识别中表现出良好的效果。

【技术实现步骤摘要】

本专利技术属于机械设备故障诊断，具体涉及一种基于vmtf-rbcbam-net(velocitymarkov transition field-residual block convolutional blockattentionmodule-net)的滚动轴承-转子系统故障智能诊断方法。

技术介绍

1、泵、电机及风机等工业辅机被广泛应用于石油、化工、冶金、发电、能源等国家经济支柱性产业，其主要结构属于典型的滚动轴承-转子系统，具有结构紧凑、部署密集等特点。由于设备运行环境往往较为恶劣，且长期承受交变载荷、冲击载荷作用，设备在运行过程中，极易发生机械故障，严重影响着设备的安全稳定运行。由于辅机设备的数量庞大，基于人工分析的传统诊断方式存在诊断滞后、效率低下等问题，且诊断准确性高度依赖于诊断工程师的经验与水平，无法满足现代工业企业对设备运维的需求。为此，开展面向滚动轴承-转子系统的故障智能诊断研究，对于保障设备安全运行、提升企业生产效率具有十分的重要意义。

2、近年来，随着深度学习技术的快速发展，许多研究者将特征提取与深度学习理论相结合，并应用于本文档来自技高网...

【技术保护点】

1.一种基于VMTF-RBCBAM-Net的滚动轴承-转子系统故障智能诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤4)中将V'ij(n)编码为VMTF图像的具体操作是：

3.根据权利要求1所述的方法，其特征在于，步骤5)的RBCBAM-Net网络模型的卷积层和池化层先对VMTF图像进行卷积和池化操作，得到特征向量x；

4.根据权利要求3所述的方法，其特征在于，具体步骤如下：

5.根据权利要求1所述的方法，其特征在于，步骤5)中分类模块由全连接层、激活函数、Dropout层及Softmax函数组成，负责...

【技术特征摘要】

1.一种基于vmtf-rbcbam-net的滚动轴承-转子系统故障智能诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤4)中将v'ij(n)编码为vmtf图像的具体操作是：

3.根据权利要求1所述的方法，其特征在于，步骤5)的rbcbam-net网络模型的卷...

【专利技术属性】
技术研发人员：王忠，瞿雷，李丽霞，苏晓峰，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：