【技术实现步骤摘要】
本专利技术属于故障诊断领域，具体地说，本专利技术涉及一种超轻量级的设备轴承故障诊断方法及系统。
技术介绍
1、轴承故障诊断是工业领域中非常重要的任务，因为轴承是许多机械设备中关键的部件。现有的技术中常常使用振动分析进行轴承故障诊断，即通过监测轴承的振动特征，可以检测到轴承的故障，如轴承内部的损坏、磨损和松动。振动分析可以通过加速度传感器或振动传感器进行监测，并使用信号处理技术来分析振动信号的频谱和幅值。
2、例如，对比文件(cn118329450a)公开了一种轴承故障诊断方法、系统、设备及存储介质，涉及轴承故障诊断
，所述方法流程为：获取原始的轴承振动数据，以构建轴承振动样本集；构建轴承故障诊断模型，采用轴承振动样本集中的无标签数据以及有标签数据对轴承故障诊断模型进行无监督预训练以及有监督微调训练；获取待分类的轴承振动数据，采用有监督微调训练的轴承故障诊断模型对待分类的轴承振动数据进行端到端的轴承故障诊断，以得到轴承故障分类结果。本专利技术基于时间序列建模技术和掩蔽自编码技术对无标签数据和有标签数据进行无监督预训练和有监督微调训练，使得训练得到的轴承故障诊断模型能够对轴承振动数据进行端到端的高精度轴承故障分类。
3、但是上述对比文件同大多现有技术一样存在以下缺点：
4、1.基于单一信号进行故障诊断研究可靠性与稳定性差，且容错能力不佳，一旦传感器失效，诊断也将停止。当故障类型多且复杂时，一种信息或几种信息得出的诊断或预测效果不可靠，不同的故障还可能以同一征兆的形式表现出来。
5
6、3.为了提升网络的性能，多使用加宽或加深网络的方法，这种方法使得网络整体的参数量增大，增加模型部署的困难性。
技术实现思路
1、本专利技术旨在克服现有技术的不足，提出了一种超轻量级的设备轴承故障诊断方法及系统，以达到以下目的：充分考虑多传感器信息之间的相关性与特异性，实现多传感器信息的有效融合，并通过改进的超轻量级网络starnet模型使得在参数量较小的情况下，层级之间的特征映射更加全面，从而提升模型的表现性能，进而提高轴承故障诊断准确度。
2、为了实现上述目的，本专利技术采取的技术方案为：一种超轻量级的设备轴承故障诊断方法，所述方法包括以下步骤：
3、s1、通过至少三个安装在设备不同位置但处于同一方向的振动传感器采集设备相应方向上的振动信号；
4、s2、将所述振动信号可视化为灰度图；
5、s3、三个安装在设备不同位置但处于同一方向的振动传感器为一组，将每组振动传感器的灰度图融合成三通道rgb图像；
6、s4、采用改进的超轻量级网络starnet模型对所述rgb图像进行轴承故障诊断。
7、优选的，所述设备包括风扇端轴承、电机、驱动端轴承、减速机轴承、负载设备、基座、联轴器，对应地，根据所述振动传感器安装位置的不同，其所采集的振动信号包括风扇端轴承振动信号、电机振动信号、驱动端轴承振动信号、减速机轴承振动信号、负载设备振动信号、基座振动信号、联轴器振动信号。
8、优选的，在所述步骤s2中，对每个采集的振动信号进行m2长度的截取，截取生成n个样本数，m和n均为预设值；对每个样本进行灰度图变换使得每个样本变换成尺寸为1×m×m的灰度图，其中，在尺寸为1×m×m的灰度图中，每个像素点的灰度值表示如下：
9、
10、其中，所述i和j的取值均为1到m；li,j表示像素点(i,j)在截取的振动信号中的幅值；maxli,j表示像素点(i,j)在截取的振动信号中所能达到的最大幅值；minli,j表示像素点(i,j)在截取的振动信号中所能达到的最小幅值；lmax表示灰度图所支持的最大像素值，其范围在255到0之间；lmin表示灰度图所支持的最小像素值，其范围在0到255之间。
11、优选的，在所述步骤s3中，将三个振动传感器的灰度图进行通道融合得到三通道rgb图像，其中，参与融合的灰度图具有相同的时域。
12、优选的，在所述步骤s3中，采用主成分分析技术进行通道融合。
13、优选的，所述步骤s3包括以下步骤：
14、s31、分别将三个振动传感器的灰度图转换为对应的向量形式；
15、s32、将表示三个灰度图的向量合并成一个矩阵xraw，其中，矩阵xraw为n行m列，n和m的值均由表示三个灰度图的向量决定；
16、s33、通过主成分分析技术对所述矩阵xraw进行变换，通过公式表示如下：
17、xpca＝wtxraw＝{xij}；i＝1,2,3；j＝1,2,3…m；
18、其中，xpca∈r3×m表示通过主成分分析技术进行变换后得到的主成分矩阵，r3×m表示矩阵r为3行m列；wt∈r3×n表示基于主成分分析技术的变换矩阵，t表示转置，r3×n表示矩阵r为3行n列。
19、s34、根据所述xpca矩阵得到三通道rgb图像。
20、优选的，所述改进的超轻量级网络starnet模型包括依次连接的卷积层、第一特征提取层、第二特征提取层、第三特征提取层、全局平均池化层/全连接层，其中，所述卷积层的输出依次经过批量归一化和relu激活后输入到所述第一特征提取层。
21、优选的，所述所有的特征提取层均包括依次连接的卷积层和starblocks层，其中，所述卷积层用于下采样，所述starblocks层用于特征提取；所述starblocks层包括第一逐点卷积层、第二逐点卷积层、深度卷积层、全连接层，其中，最初输入的特征依次经过第一逐点卷积层、深度卷积层进行处理；然后，所述深度卷积层的输出又分别经过两个全连接层后进行逐元素相乘，逐元素相乘得到的结果再经过一个全连接层后输出至所述第二逐点卷积层；最终，经过所述第二逐点卷积层处理后的特征与最初输入的特征跳跃连接后输出。
22、优选的，在所述步骤s4中，采用t-sne算法将所述改进的超轻量级网络starnet模型的故障诊断结果可视化。
23、同时，本专利技术还根据上述方法提出了一种超轻量级的设备轴承故障诊断系统，所述系统包括至少三个振动传感器、以及控制器，所述振动传感器均与所述控制器连接，其中，所述振动传感器安装在设备不同位置但处于同一方向，用于采集设备相应方向的振动信号；所述控制器用于进行轴承故障诊断。
24、本专利技术的技术效果为：
25、(1)同时利用一台设备的多个传感器，在融合传感器信息时可以根据传感器安装位置的不同选择不同的传感器信息进行融合，充分考虑信息之间的相关性与特异性。
26、(2)利用主成成分分析技术实现了多传感器信息的有效融合，减少了冗余信息，提高了融合后图像数据的可靠性，从而提高故障诊断准确度。
27、(3)采用改进的超轻量级网络starnet模型，本文档来自技高网...
【技术保护点】
1.一种超轻量级的设备轴承故障诊断方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述设备包括风扇端轴承、电机、驱动端轴承、减速机轴承、负载设备、基座、联轴器，对应地，根据所述振动传感器安装位置的不同，其所采集的振动信号包括风扇端轴承振动信号、电机振动信号、驱动端轴承振动信号、减速机轴承振动信号、负载设备振动信号、基座振动信号、联轴器振动信号。
3.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：在所述步骤S2中，对每个采集的振动信号进行M2长度的截取，截取生成N个样本数，M和N均为预设值；对每个样本进行灰度图变换使得每个样本变换成尺寸为1×M×M的灰度图，其中，在尺寸为1×M×M的灰度图中，每个像素点的灰度值表示如下：
4.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：在所述步骤S3中，将三个振动传感器的灰度图进行通道融合得到三通道RGB图像，其中，参与融合的灰度图具有相同的时域。
5.根据权利要求4所述的一种超轻量级的设备
6.根据权利要求5所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述步骤S3包括以下步骤：
7.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述改进的超轻量级网络StarNet模型包括依次连接的卷积层、第一特征提取层、第二特征提取层、第三特征提取层、全局平均池化层/全连接层，其中，所述卷积层的输出依次经过批量归一化和ReLU激活后输入到所述第一特征提取层。
8.根据权利要求7所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述所有的特征提取层均包括依次连接的卷积层和Star Blocks层，其中，所述卷积层用于下采样，所述Star Blocks层用于特征提取；所述Star Blocks层包括第一逐点卷积层、第二逐点卷积层、深度卷积层、全连接层，其中，最初输入的特征依次经过第一逐点卷积层、深度卷积层进行处理；然后，所述深度卷积层的输出又分别经过两个全连接层后进行逐元素相乘，逐元素相乘得到的结果再经过一个全连接层后输出至所述第二逐点卷积层；最终，经过所述第二逐点卷积层处理后的特征与最初输入的特征跳跃连接后输出。
9.根据权利要求1、7或8任一项所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：在所述步骤S4中，采用T-SNE算法将所述改进的超轻量级网络StarNet模型的故障诊断结果可视化。
10.一种超轻量级的设备轴承故障诊断系统，其特征在于：所述系统包括至少三个振动传感器、以及控制器，所述振动传感器均与所述控制器连接，其中，所述振动传感器安装在设备不同位置但处于同一方向，用于采集设备相应方向的振动信号；所述控制器用于根据权利要求1-9任一项所述的一种超轻量级的设备轴承故障诊断方法进行轴承故障诊断。
...【技术特征摘要】
1.一种超轻量级的设备轴承故障诊断方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述设备包括风扇端轴承、电机、驱动端轴承、减速机轴承、负载设备、基座、联轴器，对应地，根据所述振动传感器安装位置的不同，其所采集的振动信号包括风扇端轴承振动信号、电机振动信号、驱动端轴承振动信号、减速机轴承振动信号、负载设备振动信号、基座振动信号、联轴器振动信号。
3.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：在所述步骤s2中，对每个采集的振动信号进行m2长度的截取，截取生成n个样本数，m和n均为预设值；对每个样本进行灰度图变换使得每个样本变换成尺寸为1×m×m的灰度图，其中，在尺寸为1×m×m的灰度图中，每个像素点的灰度值表示如下：
4.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：在所述步骤s3中，将三个振动传感器的灰度图进行通道融合得到三通道rgb图像，其中，参与融合的灰度图具有相同的时域。
5.根据权利要求4所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：在所述步骤s3中，采用主成分分析技术进行通道融合。
6.根据权利要求5所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述步骤s3包括以下步骤：
7.根据权利要求1所述的一种超轻量级的设备轴承故障诊断方法，其特征在于：所述改进的超轻量级网络sta...
【专利技术属性】
技术研发人员：许越，张晓光，吴劲松，陆凡凡，王金瑞，徐健，
申请(专利权)人：安徽智质工程技术有限公司，
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。