轴承故障诊断方法、装置和电子设备与流程

本发明涉及轴承，具体地涉及一种轴承故障诊断方法、一种轴承故障诊断装置、一种电子设备、一种机器可读存储介质和一种计算机程序产品。

背景技术：

1、目前，大多数基于深度学习的滚动轴承故障诊断方法都是建立在恒定工况条件下，而滚动轴承所处的运行工况条件往往复杂多变，工况的变化会影响滚动轴承的振动特性，例如负载的变化会加剧传动轴与滚动轴承之间摩擦，导致振动冲击增大，最终表现在振动信号上，如振动信号的幅值、频率、相位等信息改变，而滚动轴承的故障特征与这些信息密切相关。因此，针对单一工况下提取的特征难以实现另一个工况下的故障诊断问题，导致变工况下轴承故障诊断的准确率较低。

技术实现思路

1、本发明实施例的目的是提供一种轴承故障诊断方法、一种轴承故障诊断装置、一种电子设备、一种机器可读存储介质和一种计算机程序产品，用以解决针对单一工况下提取的特征难以实现另一个工况下的故障诊断问题，导致变工况下轴承故障诊断的准确率较低的缺陷。

2、为了实现上述目的，本发明实施例提供一种轴承故障诊断方法，包括：

3、获取待测轴承的待测振动信号；

4、通过连续小波变换对所述待测振动信号进行时频域分析，得到小波时频图；

5、将所述小波时频图输入轴承故障诊断模型，得到所述轴承故障诊断模型输出的轴承故障诊断结果；

6、其中，所述轴承故障诊断模型是基于所述待测轴承处于同一故障状态的不同运行工况的多个样本振动信号，以及每个所述样本振动信号对应的状态标签训练得到；所述轴承故障诊断模型是稠密连接网络基于多尺度特征融合以及注意力机制改进得到的。

7、可选的，所述轴承故障诊断模型包括级联的多尺度特征融合网络、注意力机制网络以及稠密连接网络；

8、所述将所述小波时频图输入轴承故障诊断模型，得到所述轴承故障诊断模型输出的轴承故障诊断结果，包括：

9、将所述小波时频图输入至多尺度特征融合网络，得到所述多尺度特征融合网络输出的特征图；

10、将所述特征图输入至注意力机制网络，得到所述注意力机制网络输出的特征权重调整结果；

11、将所述特征权重调整结果输入至稠密连接网络，得到所述稠密连接网络输出的轴承故障诊断结果。

12、可选的，所述多尺度特征融合网络包括依次连接的多尺度特征提取层和特征融合层；

13、多尺度特征提取层，用于对所述小波时频图并行进行多个不同尺度的特征提取；

14、特征融合层，用于对经过所述多个不同尺度的特征提取的结果进行特征融合。

15、可选的，所述多尺度特征提取层包括：

16、第一特征提取层，用于对所述小波时频图进行第一卷积核尺寸的卷积以及第一步长的最大池化；

17、第二特征提取层，用于对所述小波时频图进行第二卷积核尺寸的卷积以及第二步长的最大池化。

18、可选的，所述注意力机制网络选用通道注意力机制或空间注意力机制构建。

19、可选的，所述轴承故障诊断模型是通过以下步骤训练得到：

20、获取待测轴承处于同一故障状态的不同运行工况的多个样本振动信号，以及每个所述样本振动信号对应的状态标签；

21、对所述多个样本振动信号分别进行时频域分析，得到每个所述样本振动信号对应的样本小波时频图；

22、重复执行以下训练步骤，直至达到设定迭代次数：将第一样本振动信号的样本小波时频图输入所述轴承故障诊断模型；基于所述轴承故障诊断模型输出的样本轴承故障诊断结果和第一样本振动信号对应的状态标签计算损失函数；基于所述损失函数调整所述轴承故障诊断模型的模型参数；其中，第一样本振动信号为所述多个样本振动信号中的任意一个样本振动信号；

23、将所述多个样本振动信号中除去所述第一样本振动信号之外的剩余样本振动信号，输入至训练好的所述轴承故障诊断模型，以分别进行准确率测试。

24、可选的，所述待测轴承的待测振动信号是通过以下步骤训练得到：

25、对待测轴承的原始振动信号中的无效数据进行清洗操作；

26、基于数据重叠分割法对经过清洗操作的所述原始振动信号进行划分，得到所述待测振动信号。

27、另一方面，本发明实施例还提供一种轴承故障诊断装置，包括：

28、获取模块，用于获取待测轴承的待测振动信号；

29、分析模块，用于通过连续小波变换对所述待测振动信号进行时频域分析，得到小波时频图；

30、诊断模块，用于将所述小波时频图输入轴承故障诊断模型，得到所述轴承故障诊断模型输出的轴承故障诊断结果；

31、其中，所述轴承故障诊断模型是基于所述待测轴承处于同一故障状态的不同运行工况的多个样本振动信号，以及每个所述样本振动信号对应的状态标签训练得到；所述轴承故障诊断模型是稠密连接网络是基于多尺度特征融合以及注意力机制改进得到的。

32、另一方面，本发明还提供一种电子设备，包括存储器、处理器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程序时实现上述轴承故障诊断方法。

33、另一方面，本发明还提供一种机器可读存储介质，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上述轴承故障诊断方法。

34、另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述轴承故障诊断方法。

35、通过上述技术方案，本发明实施例将连续小波变换和轴承故障诊断模型相结合，两者的适配性好，通过连续小波变换将原始振动信号转变为小波时频图，能够很好的反映待测振动信号中蕴含的故障信息，此外结合稠密连接网络基于多尺度特征融合以及注意力机制改进的轴承故障诊断模型的强大的特征提取能力，提升了故障识别精度和泛化性。轴承故障诊断模型基于同一故障状态的不同运行工况的多个样本振动信号训练得到，从而充分挖掘变工况下故障信息的特征提取，能够较好的应用于滚动轴承变工况故障诊断任务，提高变工况下轴承故障诊断的准确率。

36、本发明实施例的其它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，所述轴承故障诊断模型包括级联的多尺度特征融合网络、注意力机制网络以及稠密连接网络；

3.根据权利要求2所述的轴承故障诊断方法，其特征在于，所述多尺度特征融合网络包括依次连接的多尺度特征提取层和特征融合层；

4.根据权利要求3所述的轴承故障诊断方法，其特征在于，所述多尺度特征提取层包括：

5.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述注意力机制网络选用通道注意力机制或空间注意力机制构建。

6.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述轴承故障诊断模型是通过以下步骤训练得到：

7.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述待测轴承的待测振动信号是通过以下步骤训练得到：

8.一种轴承故障诊断装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现权利要求1至7中任一项所述的轴承故障诊断方法。

10.一种机器可读存储介质，其上存储有计算机程序，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中任一项所述的轴承故障诊断方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的轴承故障诊断方法。

技术总结本发明提供一种轴承故障诊断方法、装置和电子设备，属于轴承技术领域。其中方法包括：获取待测轴承的待测振动信号；通过连续小波变换对待测振动信号进行时频域分析，得到小波时频图；将小波时频图输入轴承故障诊断模型，得到轴承故障诊断模型输出的轴承故障诊断结果；其中，轴承故障诊断模型是基于待测轴承处于同一故障状态的不同运行工况的多个样本振动信号，以及每个样本振动信号对应的状态标签训练得到；轴承故障诊断模型是稠密连接网络基于多尺度特征融合以及注意力机制改进得到的。本发明用以解决针对单一工况下提取的特征难以实现另一个工况下的故障诊断问题，导致变工况下轴承故障诊断的准确率较低的缺陷。技术研发人员：胡增旗,张琦瑜,张文亮,刘吉臻,邓艾东,张晓旭,魏向国,商威,吴志刚,刘千受保护的技术使用者：国能河北定州发电有限责任公司技术研发日：技术公布日：2024/8/27