一种轴承故障诊断方法、产品、介质及设备与流程

本发明涉及机械故障诊断方法，特别是涉及一种轴承故障诊断方法、产品、介质及设备。

背景技术：

1、滚动轴承因其摩擦阻力小、结构简单、承载能力强、启动灵活、重量轻等优点，被广泛应用于各种旋转设备中，并担负着极其重要的作用。超低速重载轴承广泛应用于各种大型机械设备中，一旦发生故障将导致重大经济损失，甚至人身伤害。因此，对此类应用在重要场合中的轴承进行故障诊断，是极其必要的措施。

2、传统的轴承故障诊断中，故障特征的提取过程对科研人员在本领域内的知识和经验储备有一定的要求，特征提取过程复杂且通用性较差，难以应用到深层结构提取，并且由于低速重载轴承存在转速低、故障信号微弱和干扰因素较多的问题，所以基于参数分析和时频分析等方面的现有方法，在诊断分析结果上表现出较低的准确率和较弱的泛化能力，因此目前并没有很好的方法应用于小样本变工况条件下的超低速轴承的故障诊断。

3、综上，现有轴承故障诊断方法存在特征提取能力弱、泛化能力不足及小样本变工况条件下轴承故障诊断研究有限的问题。

技术实现思路

1、本发明的目的是提供一种轴承故障诊断方法、产品、介质及设备，以解决现有轴承故障诊断方法存在的特征提取能力弱、泛化能力不足及小样本变工况条件下轴承故障诊断研究有限的问题。

2、为实现上述目的，本发明提供了如下方案。

3、一方面，本发明提供一种轴承故障诊断方法，包括：获取不同工况下的不同故障类型的轴承运行状态的x方向上的声发射信号和y方向上的声发射信号；针对每种工况下的每种故障类型的轴承运行状态的x方向上的声发射信号和y方向上的声发射信号，利用全矢谱技术结合短时傅里叶变换对所述工况下的所述故障类型的轴承运行状态的x方向上的声发射信号和y方向上的声发射信号进行时频分析，使用全矢声谱图的特征提取方式，将所述工况下的所述故障类型的轴承运行状态的x方向上的声发射信号和y方向上的声发射信号进行全矢数据融合，得到每种工况下的每种故障类型的轴承运行状态的全矢声谱图；利用每种工况下的每种故障类型的轴承运行状态的全矢声谱图，构建每种工况的数据集；每种工况的数据集均包括所述工况下的不同故障类型的轴承运行状态的全矢声谱图；以efficientnet-b0网络为基础，将所述efficientnet-b0网络中的标准卷积层替换为深度可分离卷积层，并将所述efficientnet-b0网络中的挤压-激励注意力机制替换为坐标注意力机制，同时引入adamw优化算法替换所述efficientnet-b0网络中的随机梯度下降法，得到故障诊断网络模型；任选一种工况的数据集，利用选择的所述工况的数据集训练所述故障诊断网络模型，得到预训练模型；利用所述预训练模型结合迁移学习进行小样本变工况条件下的轴承故障诊断。

4、可选地，所述获取不同工况下的不同故障类型的轴承运行状态的x方向上的声发射信号和y方向上的声发射信号，之前还包括：采用分别贴合于轴承上端和右端的两个声发射传感器对不同工况下的不同故障类型的轴承运行状态进行监测，利用贴合于轴承右端的声发射传感器采集不同工况下的不同故障类型的轴承运行状态的x方向上的声发射信号，同时利用贴合于轴承上端的声发射传感器采集不同工况下的不同故障类型的轴承运行状态的y方向上的声发射信号。

5、可选地，所述贴合于轴承右端的声发射传感器与所述贴合于轴承上端的声发射传感器呈90°夹角。

6、可选地，所述任选一种工况的数据集，利用选择的所述工况的数据集训练所述故障诊断网络模型，得到预训练模型，具体包括：任选一种工况的数据集；利用选择的所述工况的数据集中所述工况下的不同故障类型的轴承运行状态的全矢声谱图训练所述故障诊断网络模型，得到预训练模型；所述预训练模型用于对输入所述预训练模型的所述工况下的未知故障类型的轴承运行状态的全矢声谱图进行轴承故障诊断，输出所述工况下的未知故障类型的轴承运行状态的全矢声谱图对应的故障类型。

7、可选地，利用所述预训练模型结合迁移学习进行小样本变工况条件下的轴承故障诊断，具体包括：将所述预训练模型除最后一个卷积层和全连接层的结构与参数冻结；使用另一不同工况的数据集中少量全矢声谱图作为小样本对所述预训练模型的最后一个卷积层和全连接层进行训练微调，得到小样本变工况条件下的轴承故障诊断模型；所述另一不同工况的数据集是与训练所述预训练模型的数据集不同工况的数据集；利用小样本变工况条件下的轴承故障诊断模型进行小样本变工况条件下的轴承故障诊断。

8、另一方面，本发明提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述轴承故障诊断方法。

9、另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述轴承故障诊断方法。

10、再一方面，本发明提供一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述轴承故障诊断方法。

11、根据本发明提供的具体实施例，本发明公开了以下技术效果。

12、本发明公开的轴承故障诊断方法、产品、介质及设备，首次利用全矢谱技术处理声发射（即声音发出来的信号）数据，通过使用全矢声谱图的特征提取方式，将双通道（即x方向和y方向）声发射信号进行全矢数据融合得到全矢声谱图，充分挖掘了多方位声发射数据与故障特征间的表征关系，提取到的故障特征信息更加完整、模型适应性更强，同时，基于改进efficientnet主干特征提取网络的变工况轴承故障识别模型，具有强大的特征提取能力，引入的坐标注意力机制模块提高了模型对细节信息的提取，在不增加计算量的同时有效地提高了模型的识别能力，引入的adamw优化算法提升了模型的收敛速度，并增强了模型的泛化能力，同时，应用迁移学习实现了小样本变工况条件下的故障识别，本发明首次将声发射+efficientnet网络用于轴承故障诊断，采用声发射+efficientnet网络+迁移学习解决了现有轴承故障诊断方法存在的特征提取能力弱、泛化能力不足及小样本变工况条件下轴承故障诊断研究有限的问题。

技术特征：

1.一种轴承故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述获取不同工况下的不同故障类型的轴承运行状态的x方向上的声发射信号和y方向上的声发射信号，之前还包括：

3.根据权利要求2所述的轴承故障诊断方法，其特征在于，所述贴合于轴承右端的声发射传感器与所述贴合于轴承上端的声发射传感器呈90°夹角。

4.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述任选一种工况的数据集，利用选择的所述工况的数据集训练所述故障诊断网络模型，得到预训练模型，具体包括：

5.根据权利要求1所述的轴承故障诊断方法，其特征在于，利用所述预训练模型结合迁移学习进行小样本变工况条件下的轴承故障诊断，具体包括：

6.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述轴承故障诊断方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述轴承故障诊断方法。

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述轴承故障诊断方法。

技术总结本发明公开一种轴承故障诊断方法、产品、介质及设备，涉及机械故障诊断方法技术领域，方法包括：利用全矢谱技术结合短时傅里叶变换融合每种工况下的每种故障类型的轴承运行状态的x和y方向上的声发射信号，得到每种工况下的每种故障类型的轴承运行状态的全矢声谱图；利用得到的全矢声谱图构建每种工况的数据集；任选一种工况的数据集，利用该数据集训练对EfficientNet‑B0网络改进后得到的故障诊断网络模型，得到预训练模型；利用预训练模型结合迁移学习进行小样本变工况条件下的轴承故障诊断。本发明能够解决现有轴承故障诊断方法存在的特征提取能力弱、泛化能力不足及小样本变工况条件下轴承故障诊断研究有限的问题。技术研发人员：刘渊,李春力,张铁骥,孙润业,万强,李尼亚,金亚光受保护的技术使用者：中国特种设备检测研究院技术研发日：技术公布日：2024/7/25