基于时频图像和迁移学习的滚动轴承故障诊断方法技术

本发明专利技术公开基于时频图像和迁移学习的滚动轴承故障诊断方法，步骤是：S1、采集原始滚动轴承振动信号；S2、将滚动轴承振动信号转换为时频图像；S3、将时频图像划分为训练集、验证集和测试集，构建卷积神经网络故障诊断模型；S4、将训练集、验证集的样本数据归一化后输入到网络模型中，迭代训练得到最佳模型；将测试集的样本数据输入到最佳模型中进行分类，得到模型诊断结果；S5、将注意力叠加热力图转化为权重矩阵；S6、计算各类故障样本信号的权重值，评估权重值接近程度，确定样本种类。本发明专利技术属于机械状态监测与故障诊断技术领域，解决了现有深度学习模型在滚动轴承故障诊断中，可解释性不足和过程不透明的问题。

【技术实现步骤摘要】

本专利技术属于机械状态监测与故障诊断，涉及基于时频图像和迁移学习的滚动轴承故障诊断方法。

技术介绍

1、近年来，深度学习在机械状态监测与故障诊断领域取得显著效果，尤其在特征提取和模式识别方面。然而，深度学习的模型方法伴随着机理不清晰、解释性差等问题，使得在实际应用中，常常无法理解其背后模型判断的原因，难以形成科学的决策依据。

2、随着将注意力机制引入神经网络中，通过在训练过程中动态地分配不同权重给输入特征并根据权重大小让模型专注于数据中敏感区域，进而有效提高神经网络对关键故障信息的识别能力，从而提高模型的性能。通过引入注意力机制，可以在训练过程中可视化注意力权重叠加热力图，明确在深度学习模型训练过程中哪些输入特征对模型的决策起关键作用。在此基础上，通过获取样本的注意力叠加热力图、otsu's方法二值化处理、归一化处理等生成权重矩阵，用于实现未知轴承样本的分类决策。即在故障预测分类时，将输入图像乘以该权重矩阵，从而强化关键特征的影响，抑制不重要信息的干扰，实现机械状态监测与故障诊断。通过引入注意力机制不仅可以优化深度学习模型故障识别的准确性，还可本文档来自技高网...

【技术保护点】

1.基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，按照以下步骤实施：

2.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，步骤S1中，具体过程是：

3.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，步骤S2中，具体过程是：

4.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，步骤S3中，具体过程是：

5.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，步骤S4中，具体过程是：

6.根据权利要求1所...

【技术特征摘要】

1.基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，按照以下步骤实施：

2.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，步骤s1中，具体过程是：

3.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方法，其特征在于，步骤s2中，具体过程是：

4.根据权利要求1所述的基于时频图像和迁移学习的滚动轴承故障诊断方...

【专利技术属性】
技术研发人员：徐卓飞，刘东，张媛，刘杰，宁文沛，侯和平，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：