【技术实现步骤摘要】
本专利技术涉及变负载和变转速旋转机械轴承故障诊断领域，特别是涉及一种基于通道卷积注意力机制和双尺度网络结构的轴承故障诊断方法及系统。
技术介绍
1、轴承在几乎所有类型的旋转机械中都有广泛应用，如电动机、风力涡轮机、高速列车等，用于减少摩擦并使元件平稳运行，但是由于旋转机械工况的复杂性和多变性，轴承长期处于高温、高转速、高负荷等恶劣的工作条件下，因此极易发生轴承故障。据统计，约45％–55％的旋转机械故障是由轴承故障引起的，因此，非常有必要建立一种可以用于多种工况的轴承故障诊断方法，以减少经济损失，预防重大事故。
2、随着轴承振动、温度和噪声等相关状态监测数据的积累和计算机技术的飞速发展，基于数据驱动的机器学习方法已广泛应用于轴承故障诊断领域。然而，传统的机器学习方法通常需要利用专业知识来提取故障相关特征，其诊断性能严重依赖于提取特征的质量，因此泛化性和鲁棒性较差。
3、基于深度学习的方法可以有效地解决上述问题。在轴承故障诊断领域，常用的是卷积神经网络(convolutional neural network，cnn)，并建立了各种cnn变体模型。cnn可以通过其内部的卷积层和池化层等操作自动的从输入数据中学习复杂特征，从而实现对轴承的故障诊断。但是上述方法仍然存在以下局限性：大多数轴承数据是在稳定的工作条件下收集得到的，但是在实际工业生产中，机器总是在不平稳的状态下运行，因此轴承承受的负载和轴承的转速是变化的。当轴承负载变化时，同一种故障状态下的轴承振动信号会发生动态变化；而轴承转速的变化会影响振动信号的
技术实现思路
1、本专利技术的目的在于：针对上述存在的问题，提供一种同时适用于变负载和变转速两种工况的轴承故障智能诊断方法，本专利技术能自适应提取轴承振动信号的故障特征，有效提高识别精度和诊断速度。为了实现上述目的，本专利技术采用以下技术方案：
2、本专利技术提供一种变负载和变转速下轴承故障的智能诊断方法，所述诊断方法包括如下步骤：
3、步骤1：以一定频率采集轴承运行过程中的振动信号，建立多种类型轴承故障的数据集，通过数据转换将一维信号转换为二维灰度图，在此基础上对故障类型进行编号并打标签，设置各故障类型与标签的对应关系，之后对故障类型和标签划分相应的训练集和测试集；
4、步骤2：设计构建双尺度卷积神经网络(dual-scalekernelconvolutionalneuralnetwork，dkcnn)模型；
5、步骤3：设计构建通道卷积注意力网络模块(channelconvolutionalattentionmodule，ccam)；
6、步骤4：构建通道卷积注意力模块双尺度卷积神经网络(ccam-dkcnn)模型；
7、步骤5：利用步骤1划分好的训练集训练ccam-dkcnn模型，根据训练集训练的正确率结果和损失函数情况对模型的参数进行调整，当模型训练迭代次数达到预设的次数时，则模型训练完成；
8、步骤6：利用训练好的神经网络模型进行轴承故障诊断，将步骤1中的测试集输入到ccam-dkcnn模型中，模型分类器的输出可以反映模型最终的诊断结果。
9、上述方案进一步优选的，在所述步骤1中，通过数据转换将采集到的轴承振动信号从一维信号转换为二维灰度图，具体包括以下步骤：
10、步骤11：对采集到的数据进行归一化到0-255之间，该方法可以将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析，数据归一化转换函数如下：
11、
12、其中min(x)和max(x)分别表示所有数据样本中的最小值和最大值，xi表示位置i处的样本数据。
13、步骤12：对归一化得到的数据进行转换，将其转换为二维灰度图。
14、上述方案进一步优选的，在所述步骤2中，设计构建dkcnn模型包括如下过程：
15、步骤21：在第一尺度的第一个卷积模块分别采用3*3卷积核的卷积层、bn层、relu激活层和最大池化层；第二个卷积模块结构与第一个卷积模块相同；第三个卷积模块与第一个卷积模块相同。
16、步骤22：在第二尺度的第一个卷积模块分别采用9*9卷积核的卷积层、bn层、relu激活层和最大池化层；第二个卷积模块结构分别采用7*7卷积核的卷积层、bn层、relu激活层和最大池化层；第三个卷积模块与第二个卷积模块相同。
17、步骤23：将两个尺度的输出相加，输入到全局最大池化层中，再通过softmax分类器输出结果。
18、上述方案进一步优选的，在所述步骤3中，设计构建ccam包括如下过程：
19、ccam包括全局平均池化和全局最大池化的两个通道注意力模块，对于输入的特征图，首先对每个通道执行全局最大池化和全局平均池化操作，计算每个通道上的最大特征值和平均特征值。通过该操作生成两个包含通道数的向量，这两个向量分别表示每个通道的全局最大特征和全局平均特征。之后分别将两个向量输入到多层感知机之中，学习每个通道的注意力权重。通过学习，网络可以自适应地决定哪些通道对于当前任务更加重要。为了确保注意力权重位于0到1之间，使用sigmoid激活函数来产生通道注意力权重。使用两种全局特征得到的注意力权重，将它们与原始特征图的每个通道相乘，分别得到两种注意力加权后的通道特征图。假设输入为x，那么两个通道注意力机制的计算公式如下：
20、favg＝σ(mlp(avgpool(x))) (2)
21、fmax＝σ(mlp(maxpool(x))) (3)
22、
23、其中σ表示sigmoid函数，将输入的函数进行归一化；mlp(*)表示一个多层感知机，其中使用的激活函数为relu激活函数；avgpool(*)和maxpool(*)分别表示全局平均池化和全局最大池化；xkpq表示第k个特征图区域r中位于(p,q)处的元素；r表示全部元素个数；favg和fmax表示全局平均池化特征和全局最大池化特征。
24、之后将最大池化和平均池化后的特征沿着通道维度进行拼接，得到一个具有不同尺度信息的特征图。然后，通过5*5的卷积层处理这个特征图，以生成空间注意力权重。将得到的空间注意力权重与输入特征图进行加权，并且与输入特征图相加。这样可以最大程度突出信号的重要区域，并减少不重要区域的影响。计算公式如下：
25、m＝σ(f5×5([x*favg；x*fmax])) 本文档来自技高网...
【技术保护点】
1.一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述诊断方法包括如下步骤：
2.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：信号处理方法包括以下步骤：
3.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述步骤2包括：
4.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述步骤3包括：
5.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述步骤4包括：
6.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述步骤5包括：
7.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述步骤6包括：
【技术特征摘要】
1.一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述诊断方法包括如下步骤：
2.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：信号处理方法包括以下步骤：
3.如权利要求1所述的一种变负载和变转速轴承故障的智能诊断方法，其特征在于：所述步骤2包括：
4.如权利要求1所述的一种变负载和变转速轴承故...
【专利技术属性】
技术研发人员：孙宇娟，薛文轩，李孟伟，鲍珂，
申请(专利权)人：北京工业大学，
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。