基于多尺度卷积和残差连接的润滑脂润滑状态识别方法技术

本发明专利技术公开了一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，包括：搭建润滑状态识别模型：润滑状态识别模型包括多尺度卷积模块和残差连接模块；多尺度卷积模块包括三个卷积层和一个平均池化层，卷积层和平均池化层通过ConCat函数进行特征融合；对润滑状态识别模型进行训练：获取不同剂量润滑脂下润滑状态的振动数据，利用振动数据对润滑状态识别模型进行训练，得到训练好的润滑状态识别模型；利用训练好的润滑状态识别模型对润滑脂润滑状态进行识别监测。本发明专利技术识别方法能够学习数据更全面的本质特征，可有效提高识别精度。可有效提高识别精度。可有效提高识别精度。

【技术实现步骤摘要】
基于多尺度卷积和残差连接的润滑脂润滑状态识别方法


[0001]本专利技术涉及润滑状态识别
，更具体的说是涉及一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法。

技术介绍

[0002]在旋转机械领域，润滑对机械的正常运转起着重要作用，一旦失效则会引起整个装备的性能下降或故障，严重时造成系统瘫痪甚至导致灾难性事故发生。因此，对润滑状态进行识别监测尤为重要。
[0003]通常，润滑分为油润滑和脂润滑两种，目前，关于油润滑的润滑退化，已有大量研究，但在润滑油退化识别监测方面，现有的方法多为信号识别，即需要技术人员手动提取特征，较为复杂，且虽然已有学者利用现有深度学习方法对润滑油退化的润滑状态进行识别，但精度不高；此外，由于润滑脂为稳定稠厚的油脂状固体或半固体，使得对油润滑退化的监测方法也无法适用于润滑脂，且其属性与退化状态之间的关系较为复杂，建立其精确的物理映射关系难度较大，对于在线状态识别来说，润滑脂属性难以实时监测。
[0004]因此，如何提出一种用于润滑脂且具有高识别精度的润滑状态识别监测方法，是本领域技术人员亟需解决的问题。
[0005]同时，应注意，公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

技术实现思路

[0006]有鉴于此，为了至少部分解决上述问题，本专利技术提供了一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，以不同润滑状态下机械的振动数据作为监测识别指标，间接反映润滑脂的润滑状态，进一步通过构建包括多尺度卷积和残差连接的润滑状态识别模型，以提高识别精度。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，包括如下步骤：
[0009]搭建润滑状态识别模型：所述润滑状态识别模型包括多尺度卷积模块和残差连接模块；所述多尺度卷积模块包括三个卷积层和一个最大池化层，所述卷积层和所述最大池化层通过ConCat函数进行特征融合；
[0010]对润滑状态识别模型进行训练：获取不同剂量润滑脂下润滑状态的振动数据，利用所述振动数据对所述润滑状态识别模型进行训练，得到训练好的所述润滑状态识别模型；
[0011]利用训练好的所述润滑状态识别模型对润滑脂润滑状态进行识别监测。
[0012]作为优选，所述三个卷积层分别由三个大小不同的一维卷积核组成。
[0013]作为优选，进行特征融合后依次通过丢弃层、展平层和全连接层输出识别结果。
[0014]作为优选，所述多尺度卷积模块和残差连接模块数量相同且有多组，多组所述多尺度卷积模块和残差连接模块通过堆叠，构成所述润滑状态识别模型。
[0015]作为优选，对所述润滑状态识别模型进行训练时，通过交叉熵损失函数调整模型中所述多尺度卷积模块与残差连接模块的组数以及超参数。
[0016]作为优选，对获取的所述振动数据，按对应润滑脂的剂量进行阶段划分，并进行高斯加噪。
[0017]作为优选，所述振动数据在输入所述润滑状态识别模型前，先经一维卷积层进行降维。
[0018]作为优选，所述振动数据与所述润滑状态识别模型的输出数据通过t
‑
SNE进行可视化。
[0019]经由上述的技术方案可知，本专利技术公开了一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，与现有技术相比，本专利技术提供的润滑状态识别模型，可全面自动的学习监测数据的本质特征，且能显著提高识别精度。
[0020]本专利技术的另一有益效果在于，针对润滑脂实验方法缺失以及润滑脂属性与退化状态关系复杂难以建立映射等问题，本申请根据润滑脂计量将其划分成不同润滑阶段，通过获得不同阶段的振动数据，以构成润滑退化数据集，建立其映射关系，进而通过不同的润滑阶段的振动数据反映其润滑状态，以此数据集支撑模型的训练与测试；
[0021]本专利技术的又一有益效果在于，通过本专利技术提供的监测指标即振动数据、以及振动数据采集方法，并结合本申请润滑状态识别模型，可实现对润滑脂退化过程中润滑状态的连续、实时监测。
[0022]以上特点使得本专利技术为不同润滑状态的实验迈出崭新的一步，为更精确的识别润滑脂退化阶段并提高模型的抗噪性奠定了一定的研究基础。
附图说明
[0023]为了更清楚地说明本专利技术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，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0024]图1为本专利技术提供的基于多尺度卷积和残差连接的润滑脂润滑状态识别方法流程图；
[0025]图2为本专利技术提供的润滑状态识别模型结构示意图；
[0026]图3为本专利技术提供的润滑状态识别模型结构立体图；
[0027]图4为本专利技术提供的行星齿轮试验台实物图；
[0028]图5为本专利技术提供的行星齿轮在1000转/每分转速不同润滑下的振动数据可视化结果；
[0029]图6为本专利技术提供的行星齿轮在1000转/每分转速不同润滑下振动数据的时域分析结果；
[0030]图7为本专利技术提供的原始振动数据与加噪振动数据可视化；
[0031]图8为本专利技术提供的基于多尺度卷积和残差连接的行星齿轮润滑状态识别模型得
输入和输出t
‑
SNE可视化。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]本专利技术实施例公开的基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，包括如下步骤，如图1所示：
[0034]搭建润滑状态识别模型：润滑状态识别模型包括多尺度卷积模块和残差连接模块；多尺度卷积模块包括三个卷积层和一个平均池化层，卷积层和平均池化层通过ConCat函数进行特征融合；
[0035]对润滑状态识别模型进行训练：获取采用不同剂量润滑脂进行润滑的机械的振动数据，利用振动数据对润滑状态识别模型进行训练，得到训练好的润滑状态识别模型；
[0036]利用训练好的润滑状态识别模型对润滑脂润滑状态进行识别监测。
[0037]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0038]第一步，为了更全面深入的学习数据本质特征，提高识别精度，本申请首先搭建了润滑状态识别模型，本申请润滑状态识别模型包括多尺度卷积模块和残差连接模块；其中，多尺度卷积模块包括三个卷积层和一个平均池化层，卷积层和平均池化层通过ConCat本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，其特征在于，包括：搭建润滑状态识别模型：所述润滑状态识别模型包括多尺度卷积模块和残差连接模块；所述多尺度卷积模块包括三个卷积层和一个最大池化层，所述卷积层和所述最大池化层通过ConCat函数进行特征融合；对润滑状态识别模型进行训练：获取不同剂量润滑脂下润滑状态的振动数据，利用所述振动数据对所述润滑状态识别模型进行训练，得到训练好的所述润滑状态识别模型；利用训练好的所述润滑状态识别模型对润滑脂润滑状态进行识别监测。2.根据权利要求1所述的一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，其特征在于，三个所述卷积层分别由三个大小不同的一维卷积核组成。3.根据权利要求1所述的一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，其特征在于，进行特征融合后依次通过丢弃层、展平层和全连接层输出识别结果。4.根据权利要求1所述的一种基于多尺度卷积和残差连接的润滑脂润滑状态识别方法，其特征...

【专利技术属性】
技术研发人员：王艺玮，李美丽，郑再平，王移川，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：