【技术实现步骤摘要】
本申请涉及但不限于故障检测，尤其涉及一种齿轮箱故障检测方法、装置、设备及存储介质。
技术介绍
1、齿轮箱是旋转机械设备的核心部件之一，齿轮箱经常工作在高转速、高负载的恶劣工况，长期在交应变力的影响下，齿轮箱中的齿轮、轴承等关键部件容易产生磨损、断裂、点蚀、裂纹等结构损伤，存在较大安全隐患，因此需要检测齿轮箱是否存在故障。
2、目前，传统的齿轮箱故障检测方法主要是依赖卷积神经网络，通过提取齿轮箱运行数据中的空间特征来进行分类预测，以确定故障类别。然而，卷积神经网络所关注的空间特征无法有效捕捉齿轮箱运行数据中的复杂信息，导致故障检测结果的准确性较低。
技术实现思路
1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
2、本申请实施例提供了一种齿轮箱故障检测方法、装置、设备及存储介质，能够提高目标故障检测结果的准确率。
3、为实现上述目的，本申请实施例的第一方面提出了一种齿轮箱故障检测方法，其特征在于，包括：获取齿轮箱的目标运行时序数据，将所述目标运行时序数据划分为多个目标数据片段；分别将各个所述目标数据片段输入至多尺度特征提取模型进行映射，得到各个所述目标数据片段对应的多尺度初始特征，分别对各个所述多尺度初始特征进行多尺度加权融合，得到各个所述目标数据片段对应的目标运行特征；将各个所述目标运行特征输入至时序模型进行映射，得到各个所述目标数据片段对应的目标时域特征；将各个所述目标时域特征进行注意力处理后输入至分类模型进行分类
4、在一些实施例中，所述多尺度特征提取模型包括第一特征提取网络以及第二特征提取网络，所述第一特征提取网络包括n个依次连接的第一卷积层，所述第二特征提取网络包括m个依次连接的第二卷积层，所述n小于所述m，所述n和所述m均为正整数，所述多尺度初始特征包括第一尺度初始特征以及第二尺度初始特征；所述分别将各个所述目标数据片段输入至多尺度特征提取模型进行映射，得到各个所述目标数据片段对应的多尺度初始特征，将各个所述多尺度初始特征分别进行多尺度加权融合，得到各个所述目标数据片段对应的目标运行特征，包括：对于各个所述目标数据片段，将所述目标数据片段输入至所述第一特征提取网络进行映射，得到所述目标数据片段对应的所述第一尺度初始特征，将所述目标数据片段输入至所述第二特征提取网络进行映射，得到所述目标数据片段对应的所述第二尺度初始特征；对于各个所述目标数据片段，将所述目标数据片段对应的所述第一尺度初始特征以及所述第二尺度初始特征进行多尺度加权融合，得到所述目标数据片段对应的目标运行特征。
5、在一些实施例中，所述第一特征提取网络包括依次连接的第一卷积层、第二卷积层和第一池化层，所述第二特征提取网络包括依次连接的第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层和第三池化层，所述第一卷积层的卷积核尺寸大于或者等于所述第二卷积层的卷积核尺寸，所述第一卷积层的卷积核尺寸大于所述第三卷积层的卷积核尺寸，所述第三卷积层的卷积核尺寸大于或者等于所述第四卷积层的卷积核尺寸，所述第三卷积层的卷积核尺寸大于所述第五卷积层的卷积核尺寸，所述第五卷积层的卷积核尺寸大于或者等于所述第六卷积层的卷积核尺寸；所述将所述目标数据片段输入至所述第一特征提取网络进行映射，得到所述目标数据片段对应的所述第一尺度初始特征，将所述目标数据片段输入至所述第二特征提取网络进行映射，得到所述目标数据片段对应的所述第二尺度初始特征，包括：调用所述第一卷积层和所述第二卷积层对所述目标数据片段进行卷积处理，得到第一中间特征，调用所述第一池化层对所述第一中间特征进行池化操作，得到所述目标数据片段对应的所述第一尺度初始特征；调用所述第三卷积层和所述第四卷积层对所述目标数据片段进行卷积处理，得到第二中间特征，调用所述第二池化层对所述第二中间特征进行池化操作，得到第三中间特征；调用所述第五卷积层和所述第六卷积层对所述第三中间特征进行卷积处理，得到第四中间特征，调用所述第三池化层对所述第四中间特征进行池化操作，得到所述目标数据片段对应的所述第二尺度初始特征。
6、在一些实施例中，所述将各个所述目标运行特征输入至时序模型进行映射，得到各个所述目标数据片段对应的目标时域特征，包括：将各个所述目标运行特征输入至时序模型，基于所述时序模型确定各个所述目标运行特征各自对应的前向隐层状态以及反向隐层状态；对于各个所述目标运行特征，基于所述目标运行特征对应的所述前向隐层状态以及所述反向隐层状态进行加权求和，确定所述目标数据片段对应的目标时域特征。
7、在一些实施例中，所述将各个所述目标时域特征进行注意力处理后输入至分类模型进行分类处理，得到所述齿轮箱的目标故障检测结果，包括：将各个所述目标时域特征进行注意力处理，得到注意力特征；获取所述齿轮箱的工作类型标识，将所述工作类型标识和所述注意力特征拼接后输入至分类模型进行分类处理，得到所述齿轮箱的目标故障检测结果。
8、在一些实施例中，所述将所述工作类型标识和所述注意力特征拼接后输入至分类模型进行分类处理，得到所述齿轮箱的目标故障检测结果，包括：获取所述齿轮箱的历史故障概率；将所述注意力特征和所述历史故障概率输入至概率预测模型进行回归处理，得到所述齿轮箱的当前故障概率；将所述工作类型标识、所述当前故障概率和所述注意力特征拼接后输入至分类模型进行分类处理，得到所述齿轮箱的目标故障检测结果。
9、在一些实施例中，所述将各个所述目标数据片段分别进行多尺度特征提取之前，所述齿轮箱故障检测方法还包括：获取所述齿轮箱的样本运行时序数据以及所述样本运行时序数据对应的样本检测标签，将所述样本运行时序数据划分为多个样本数据片段，其中，所述样本检测标签用于指示所述样本运行时序数据属于故障类别或者正常类型；分别将各个所述样本数据片段输入至多尺度特征提取模型进行映射，得到各个所述样本数据片段对应的多尺度样本特征，分别对各个所述多尺度样本特征进行多尺度加权融合，得到各个所述目标数据片段对应的样本运行特征；将各个所述样本运行特征输入至时序模型进行映射，得到各个所述样本数据片段对应的样本时域特征；将各个所述样本时域特征进行注意力处理后输入至分类模型进行分类处理，得到所述齿轮箱的样本故障检测结果；基于所述样本故障检测结果与所述样本检测标签之间的差异确定模型损失，基于模型损失对所述多尺度特征提取模型、所述时序模型以及所述分类模型进行联合训练。
10、为实现上述目的，本申请实施例的第二方面提出了一种齿轮箱故障检测装置，包括：获取模块，用于获取齿轮箱的运行时序数据；多尺度特征提取模块，用于将所述运行时序数据划分为多个数据片段，将各个所述数据片段分别进行多尺度特征提取，得到各个所述数据片段对应的多尺度初始特征，分别对各个所述多尺度初始特征进行多尺度加权融合，得到各个所述数据片段对应的目标运行特征；时域特征提取模块，用于将各个所述目标运行特征输入至时序模型进行映射，得到各个所述数据片段对应的时本文档来自技高网...
【技术保护点】
1.一种齿轮箱故障检测方法，其特征在于，包括：
2.根据权利要求1所述的齿轮箱故障检测方法，其特征在于，所述多尺度特征提取模型包括第一特征提取网络以及第二特征提取网络，所述第一特征提取网络包括N个依次连接的第一卷积层，所述第二特征提取网络包括M个依次连接的第二卷积层，所述N小于所述M，所述N和所述M均为正整数，所述多尺度初始特征包括第一尺度初始特征以及第二尺度初始特征；
3.根据权利要求2所述的齿轮箱故障检测方法，其特征在于，所述第一特征提取网络包括依次连接的第一卷积层、第二卷积层和第一池化层，所述第二特征提取网络包括依次连接的第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层和第三池化层，所述第一卷积层的卷积核尺寸大于或者等于所述第二卷积层的卷积核尺寸，所述第一卷积层的卷积核尺寸大于所述第三卷积层的卷积核尺寸，所述第三卷积层的卷积核尺寸大于或者等于所述第四卷积层的卷积核尺寸，所述第三卷积层的卷积核尺寸大于所述第五卷积层的卷积核尺寸，所述第五卷积层的卷积核尺寸大于或者等于所述第六卷积层的卷积核尺寸；
4.根据权利要求1所述的齿轮箱故障检
5.根据权利要求1所述的齿轮箱故障检测方法，其特征在于，所述将各个所述目标时域特征进行注意力处理后输入至分类模型进行分类处理，得到所述齿轮箱的目标故障检测结果，包括：
6.根据权利要求5所述的齿轮箱故障检测方法，其特征在于，所述将所述工作类型标识和所述注意力特征拼接后输入至分类模型进行分类处理，得到所述齿轮箱的目标故障检测结果，包括：
7.根据权利要求1所述的齿轮箱故障检测方法，其特征在于，所述将各个所述目标数据片段分别进行多尺度特征提取之前，所述齿轮箱故障检测方法还包括：
8.一种齿轮箱故障检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的齿轮箱故障检测方法。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的齿轮箱故障检测方法。
...【技术特征摘要】
1.一种齿轮箱故障检测方法，其特征在于，包括：
2.根据权利要求1所述的齿轮箱故障检测方法，其特征在于，所述多尺度特征提取模型包括第一特征提取网络以及第二特征提取网络，所述第一特征提取网络包括n个依次连接的第一卷积层，所述第二特征提取网络包括m个依次连接的第二卷积层，所述n小于所述m，所述n和所述m均为正整数，所述多尺度初始特征包括第一尺度初始特征以及第二尺度初始特征；
3.根据权利要求2所述的齿轮箱故障检测方法，其特征在于，所述第一特征提取网络包括依次连接的第一卷积层、第二卷积层和第一池化层，所述第二特征提取网络包括依次连接的第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层和第三池化层，所述第一卷积层的卷积核尺寸大于或者等于所述第二卷积层的卷积核尺寸，所述第一卷积层的卷积核尺寸大于所述第三卷积层的卷积核尺寸，所述第三卷积层的卷积核尺寸大于或者等于所述第四卷积层的卷积核尺寸，所述第三卷积层的卷积核尺寸大于所述第五卷积层的卷积核尺寸，所述第五卷积层的卷积核尺寸大于或者等于所述第六卷积层的卷积核尺寸；
4.根据权利要求1所述的齿轮箱故障检测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：丘锐基，王志双，陈启愉，李平，邓志文，方晟堃，
申请(专利权)人：五邑大学，
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。