轴承信号故障诊断方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种轴承信号故障诊断方法、装置、设备及存储介质，所述轴承信号故障诊断方法包括：获取故障信号；将所述故障信号输入至预设的信号分类模型，基于所述信号分类模型，提取所述故障信号的区域极值分布，并基于所述区域极值分布，确定故障信息，其中，所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的，并且所述信号分类模型是由卷积模块组构成的。本申请属于机械转动轴承系统的故障诊断领域，通过预训练的信号分类模型，提取故障信号中体现信号形态的区域极值分布，并确定区域极值分布的特征，以此确定故障信息，提高了对于轴承转动信号的特征提取分类的准确性。确性。确性。

【技术实现步骤摘要】
轴承信号故障诊断方法、装置、设备及存储介质


[0001]本申请涉及机械转动轴承系统的故障诊断领域，尤其涉及一种轴承信号故障诊断方法、装置、设备及存储介质。

技术介绍

[0002]目前的机械转动轴承系统故障诊断中，主要通过神经网络方法对时域信号直接进行处理，比较常用的方法有一维的Resnet，Densenet等卷积模型，也有一些使用RNN，Lstm等序列模型，对于更大的数据集甚至存在使用Transformer类模型进行识别的案例。但这些模型都没有专门针对轴承转动信号进行设计和调节，因此这些模型关注的特征信息和轴承转动信号在时域形态上的特征信息并不能吻合，这造成了神经网络模型对于轴承转动信号的特征提取分类的准确性低。

技术实现思路

[0003]本申请的主要目的在于提供一种轴承信号故障诊断方法、装置、设备及存储介质，旨在解决现有技术中对于轴承转动信号的特征提取分类的准确性低的技术问题。
[0004]为实现以上目的，本申请提供一种轴承信号故障诊断方法，所述轴承信号故障诊断方法包括：获取故障信号；将所述故障信号输入至预设的信号分类模型，基于所述信号分类模型，提取所述故障信号的区域极值分布，并基于所述区域极值分布，确定故障信息，其中，所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的，并且所述信号分类模型是由卷积模块组构成的。
[0005]可选地，所述基于所述信号分类模型，提取所述故障信号的区域极值分布的步骤，包括：基于所述信号分类模型，对所述故障信号进行特征提取，得到第一特征数据；对所述第一特征数据分别进行最大池化操作和最小池化操作，确定所述第一特征数据的第一最大值分布和第一最小值分布，并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
[0006]可选地，所述对所述第一特征数据分别进行最大池化操作和最小池化操作，确定所述第一特征数据的第一最大值分布和第一最小值分布的步骤，包括：对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积，得到第二最大值分布、第二最小值分布和卷积特征数据，其中，所述最大池化操作和所述最小池化操作为分块大小相同的池化操作；对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联，得到相应的级联通道，并对所述级联通道进行逐点Pointwise卷积，确定第二特征数据；对所述第二特征数据分别进行最大池化操作和最小池化操作，得到所述第一最大
值分布和所述第一最小值分布。
[0007]可选地，所述对所述第二特征数据分别进行最大池化操作和最小池化操作，得到所述第一最大值分布和所述第一最小值分布的步骤，包括：利用残差机制，增加所述第二特征数据的特征量，确定第三特征数据；对所述第三特征数据分别进行最大池化操作和最小池化操作，得到所述第一最大值分布和所述第一最小值分布。
[0008]可选地，所述利用残差机制，增加所述第二特征数据的特征量，确定第三特征数据的步骤，包括：对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理，得到第四特征数据；将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理，得到第五特征数据；将所述第四特征数据、所述第五特征数据和所述第二特征数据进行残差计算，增加特征量，得到所述第三特征数据。
[0009]可选地，所述基于所述区域极值分布，确定故障信息的步骤，包括：将所述区域极值分布进行全局平均池化处理，确定信号平均值；将所述信号平均值与信号权重组相乘，得到故障预测标签；基于所述故障预测标签，确定所述故障信息。
[0010]可选地，所述获取故障信号的步骤之前，所述方法包括：获取故障信号样本和所述故障信号样本的故障信息标签；将所述故障信号样本输入至预设的待训练模型，得到预测故障信息；将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算，得到误差结果；基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述故障信号样本输入至预设的待训练模型，得到预测故障信息的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到所述信号分类模型。
[0011]本申请还提供一种轴承信号故障诊断装置，所述轴承信号故障诊断装置包括：获取模块，用于获取故障信号；分类模块，用于将所述故障信号输入至预设的信号分类模型，基于所述信号分类模型，提取所述故障信号的区域极值分布，并基于所述区域极值分布，确定故障信息，其中，所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的，并且所述信号分类模型是由卷积模块组构成的。
[0012]本申请还提供一种轴承信号故障诊断设备，所述轴承信号故障诊断设备包括：存储器、处理器以及存储在存储器上的用于实现所述轴承信号故障诊断方法的程序，所述存储器用于存储实现轴承信号故障诊断方法的程序；所述处理器用于执行实现所述轴承信号故障诊断方法的程序，以实现所述轴承信号故障诊断方法的步骤。
[0013]本申请还提供一种存储介质，所述存储介质上存储有实现轴承信号故障诊断方法的程序，所述实现轴承信号故障诊断方法的程序被处理器执行以实现所述轴承信号故障诊断方法的步骤。
[0014]本申请提供的一种轴承信号故障诊断方法、装置、设备及存储介质，与现有技术中对于轴承转动信号的特征提取分类的准确性低相比，在本申请中，获取故障信号；将所述故障信号输入至预设的信号分类模型，基于所述信号分类模型，提取所述故障信号的区域极值分布，并基于所述区域极值分布，确定故障信息，其中，所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的，并且所述信号分类模型是由卷积模块组构成的。即在本申请中，通过预训练的信号分类模型，提取故障信号中体现信号形态的区域极值分布，并确定区域极值分布的特征，以此确定故障信息，提高了对于轴承转动信号的特征提取分类的准确性。
附图说明
[0015]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图；图2为本申请轴承信号故障诊断方法第一实施例的流程示意图；图3为本申请轴承信号故障诊断装置模块示意图；图4为本申请轴承信号故障诊断方法中轴承发生故障时产生的振动信号示意图；图5本申请轴承信号故障诊断方法第二实施例SELN注意力模块结构示意图；图6本申请轴承信号故障诊断方法第二实施例ResDPA模块结构示意图；图7本申请轴承信号故障诊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承信号故障诊断方法，其特征在于，所述轴承信号故障诊断方法包括：获取故障信号；将所述故障信号输入至预设的信号分类模型，基于所述信号分类模型，提取所述故障信号的区域极值分布，并基于所述区域极值分布，确定故障信息，其中，所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的，并且所述信号分类模型是由卷积模块组构成的。2.如权利要求1所述的轴承信号故障诊断方法，其特征在于，所述基于所述信号分类模型，提取所述故障信号的区域极值分布的步骤，包括：基于所述信号分类模型，对所述故障信号进行特征提取，得到第一特征数据；对所述第一特征数据分别进行最大池化操作和最小池化操作，确定所述第一特征数据的第一最大值分布和第一最小值分布，并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。3.如权利要求2所述的轴承信号故障诊断方法，其特征在于，所述对所述第一特征数据分别进行最大池化操作和最小池化操作，确定所述第一特征数据的第一最大值分布和第一最小值分布的步骤，包括：对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积，得到第二最大值分布、第二最小值分布和卷积特征数据，其中，所述最大池化操作和所述最小池化操作为分块大小相同的池化操作；对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联，得到相应的级联通道，并对所述级联通道进行逐点Pointwise卷积，确定第二特征数据；对所述第二特征数据分别进行最大池化操作和最小池化操作，得到所述第一最大值分布和所述第一最小值分布。4.如权利要求3所述的轴承信号故障诊断方法，其特征在于，所述对所述第二特征数据分别进行最大池化操作和最小池化操作，得到所述第一最大值分布和所述第一最小值分布的步骤，包括：利用残差机制，增加所述第二特征数据的特征量，确定第三特征数据；对所述第三特征数据分别进行最大池化操作和最小池化操作，得到所述第一最大值分布和所述第一最小值分布。5.如权利要求4所述的轴承信号故障诊断方法，其特征在于，所述利用残差机制，增加所述第二特征数据的特征量，确定第三特征数据的步骤，包括：对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理，得到第四特征数据；将所述第...

【专利技术属性】
技术研发人员：冯建设，田志国，沈世通，李一帆，赵一波，
申请(专利权)人：中信控股有限责任公司，
类型：发明
国别省市：