滚动轴承的声纹故障识别方法、装置、介质及电子设备与流程

本公开涉及轴承领域，具体地，涉及一种滚动轴承的声纹故障识别方法、装置、介质及电子设备。

背景技术：

1、滚动轴承是电站辅机的重要部件，滚动轴承的正常运行对电站的稳定运行起着至关重要的作用。在机组的长期运行过程中，滚动轴承会因为频繁变化的负荷和强烈的噪声环境而出现故障。现有技术中，对滚动轴承的健康状态的诊断方法一般为振动分析的方法，但是该方法存在振动传感器安装复杂、易受环境因素干扰及测量结果偏差大等问题。

技术实现思路

1、本公开的目的是提供一种滚动轴承的声纹故障识别方法、装置、介质及电子设备，以解决上述技术问题。

2、为了实现上述目的，本公开实施例的第一方面提供一种滚动轴承的声纹故障识别方法，所述方法包括：

3、根据所述滚动轴承在不同状态下产生的声纹信号获取所述滚动轴承的二维声纹信号数据集；所述数据集包括训练集、验证集和测试集；

4、根据所述训练集和所述验证集对rsea-sknet声纹识别模型进行训练，得到训练好的rsea-sknet声纹故障识别模型；

5、将所述测试集输入所述训练好的rsea-sknet声纹故障识别模型中，以获取所述模型输出的声纹故障识别结果。

6、可选地，所述根据所述训练集和所述验证集对rsea-sknet声纹识别模型进行训练，得到训练好的rsea-sknet声纹故障识别模型，包括：

7、基于所述训练集和所述验证集在所述rsea-sknet声纹识别模型中进行参数迭代，直至在任一次迭代后的损失函数满足迭代终止条件时停止参数迭代，得到所述训练好的rsea-sknet声纹故障识别模型。

8、可选地，所述损失函数为均方误差函数，所述基于所述训练集和所述验证集在所述rsea-sknet声纹识别模型中进行参数迭代，直至在任一次迭代后的损失函数满足迭代终止条件时停止参数迭代，得到所述训练好的rsea-sknet声纹故障识别模型，包括：

9、将所述训练集输入所述rsea-sknet声纹识别模型得到本次迭代的识别结果；

10、基于本次迭代的识别结果和所述验证集中对应的实际结果，获取本次迭代的均方误差函数；

11、在均方误差函数的值大于预设阈值时，更新所述rsea-sknet声纹识别模型的参数并重复执行所述将所述训练集输入所述rsea-sknet声纹识别模型得到本次迭代的识别结果至所述获取本次迭代的均方误差函数的步骤；

12、在所述均方误差函数的值小于或等于所述预设阈值，或者，在迭代次数达到最大迭代次数的情况下停止迭代，得到所述训练好的rsea-sknet声纹故障识别模型。

13、可选地，所述rsea-sknet声纹识别模型包括残差se注意力机制和sknet网络；

14、所述残差se注意力机制包括一个全局平均池化层、两个全连接层和一个残差连接，所述残差se注意力机制用于获取不同特征的权重系数；

15、所述sknet网络包括三个卷积核大小不同的卷积层、一个全局平均池化层和一个用于计算各通道下权重的全连接层，所述sknet网络用于捕获不同尺度的特征并对所述不同尺度的特征进行加权处理。

16、可选地，所述获取不同特征的权重系数，包括：

17、通过所述全局平均池化层将特征图压缩为特征向量；

18、通过所述全连接层进行激发操作和乘积操作后输出加权后的特征；

19、通过所述残差连接将所述加权后的特征与最初输入的特征进行加和，输出不同特征的权重系数。

20、可选地，所述捕获不同尺度的特征并对所述不同尺度的特征进行加权处理，包括：

21、通过卷积核的动态选择机制自适应调整接受域的大小，并通过选择性核模块提高模型特征中关键信息的权重。

22、可选地，所述根据所述滚动轴承在不同状态下产生的声纹信号获取所述滚动轴承的二维声纹信号数据集，包括：

23、获取所述滚动轴承在不同状态下产生的第一声纹信号，所述不同状态包括正常状态和多种故障状态；

24、向所述第一声纹信号添加高斯白噪声，以获取不同信噪比条件下的第二声纹信号；

25、将所述第二声纹信号重构为二维声纹信号，以形成所述二维声纹信号数据集。

26、可选地，所述不同状态包括正常状态和多种故障状态，所述获取所述滚动轴承在不同状态下产生的第一声纹信号，包括：

27、通过搭建于传动系统模拟试验台上的声纹信号采集系统获取所述正常状态下及多种故障状态下滚动轴承产生的声纹信号。

28、本公开实施例的第二方面，提供一种滚动轴承的声纹识别装置，所述装置包括：

29、获取模块，用于根据所述滚动轴承在不同状态下产生的声纹信号获取所述滚动轴承的二维声纹信号数据集；所述数据集包括训练集、验证集和测试集；

30、训练模块，用于根据所述训练集和所述验证集对rsea-sknet声纹识别模型进行训练，得到训练好的rsea-sknet声纹故障识别模型；

31、识别模块，用于将所述测试集输入所述训练好的rsea-sknet声纹故障识别模型中，以获取所述模型输出的声纹故障识别结果。

32、本公开实施例的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开第一方面中任一项所述方法的步骤。

33、本公开实施例的第四方面，提供一种电子设备，包括：

34、存储器，其上存储有计算机程序；

35、处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面中任一项所述方法的步骤。

36、在上述技术方案中，首先根据滚动轴承在不同状态下产生的声纹信号获取该滚动轴承的二维声纹信号数据集，该数据集包括训练集、验证集和测试集；再根据该训练集和该验证集对rsea-sknet声纹识别模型进行训练，得到训练好的rsea-sknet声纹故障识别模型，将该测试集输入该训练好的rsea-sknet声纹故障识别模型中，以获取该模型输出的声纹故障识别结果。通过上述技术方案，能够利用卷积神经网络模型对滚动轴承的故障进行识别，避免装置安装的过程，故障识别方式较简单，且识别结果准确性高。

37、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种滚动轴承的声纹故障识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练集和所述验证集对rsea-sknet声纹识别模型进行训练，得到训练好的rsea-sknet声纹故障识别模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述损失函数为均方误差函数，所述基于所述训练集和所述验证集在所述rsea-sknet声纹识别模型中进行参数迭代，直至在任一次迭代后的损失函数满足迭代终止条件时停止参数迭代，得到所述训练好的rsea-sknet声纹故障识别模型，包括：

4.根据权利要求1所述的方法，其特征在于，所述rsea-sknet声纹识别模型包括残差se注意力机制和sknet网络；

5.根据权利要求4所述的方法，其特征在于，所述获取不同特征的权重系数，包括：

6.根据权利要求4所述的方法，其特征在于，所述捕获不同尺度的特征并对所述不同尺度的特征进行加权处理，包括：

7.根据权利要求1所述的方法，其特征在于，所述根据所述滚动轴承在不同状态下产生的声纹信号获取所述滚动轴承的二维声纹信号数据集，包括：

8.根据权利要求7所述的方法，其特征在于，所述不同状态包括正常状态和多种故障状态，所述获取所述滚动轴承在不同状态下产生的第一声纹信号，包括：

9.一种滚动轴承的声纹识别装置，其特征在于，所述装置包括：

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。

11.一种电子设备，其特征在于，包括：

技术总结本公开涉及一种滚动轴承的声纹故障识别方法、装置、介质及电子设备，涉及轴承领域，该方法包括：首先根据滚动轴承在不同状态下产生的声纹信号获取该滚动轴承的二维声纹信号数据集，该数据集包括训练集、验证集和测试集；再根据该训练集和该验证集对RSEA‑SKNet声纹识别模型进行训练，得到训练好的RSEA‑SKNet声纹故障识别模型，将该测试集输入该训练好的RSEA‑SKNet声纹故障识别模型中，以获取该模型输出的声纹故障识别结果。通过上述技术方案，能够利用卷积神经网络模型对滚动轴承的故障进行识别，避免装置安装的过程，故障识别方式较简单，且识别结果准确性高。技术研发人员：张春阳,石卫兵,丁鑫,王凌锋,姜超受保护的技术使用者：国家能源集团谏壁发电厂技术研发日：技术公布日：2024/5/27