技术新讯 > 测量装置的制造及其应用技术 > 一种基于改进DC-ResNet印刷机轴承诊断的方法及系统  >  正文

一种基于改进DC-ResNet印刷机轴承诊断的方法及系统

  • 国知局
  • 2024-11-06 14:45:36

本发明涉及轴承故障诊断领域,具体涉及一种基于改进dc-resnet印刷机轴承诊断的方法及系统。

背景技术:

1、滚动轴承作为旋转机械中至关重要的组件之一,在印刷机中扮演着降低摩擦系数、保证回转精度的关键角色。然而,由于化学物质如油墨对轴承的腐蚀,以及轴承安装精度不当和长期运行等因素,轴承故障往往会发生,导致印刷机出现异常振动,进而影响整个机械的性能和寿命。

2、传统的轴承故障诊断方法通常需要人工分离原始信号中的噪声信号,然后再进行后续的故障判断,这导致了诊断效率的低下。然而,随着生产效率的提高和设备规模的扩大,轴承振动信号所处的背景噪声也越来越大,这使得传统的诊断方法在面对这些挑战时显得效率低下、准确率不高。

3、因此,有必要设计一种能够在强噪声背景下准确识别特征信号、提高准确率的轴承故障诊断方法。

技术实现思路

1、为了解决现有技术中存在的问题,本发明提供一种基于改进dc-resnet印刷机轴承诊断的方法及系统,用以解决现有相关技术中在强噪声背景下信号识别不准确的技术问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种基于改进dc-resnet印刷机轴承诊断的方法,包括以下步骤:

4、利用传感器获取印刷机轴承的振动信号;

5、基于频率切片小波变换将所述振动信号的一维振动信号转化为二维时频图;

6、将所述二维时频图分类得到各种故障类型以及正常类型二维时频图,并作为印刷机轴承数据集;

7、在resnet网络加入可变形卷积层进行网络模型优化改进,得到基于dc-resnet的网络模型,采用印刷机轴承数据集对网络模型进行训练,得到诊断网络模型;

8、基于诊断网络模型以及待测印刷机轴承的二维时频图得到诊断结果。

9、进一步的,所述利用传感器获取印刷机轴承的振动信号的过程为:

10、对轴承进行故障加工,得到位于不同位置的至少三种不同深度的故障;

11、利用传感器获取故障加工前的轴承的振动信号,以及故障加工后的轴承的振动信号;

12、所述轴承的振动信号包括故障信号和正常信号。

13、进一步的,所述对轴承进行故障加工的过程为:

14、通过使用电火花机床对轴承进行故障加工,加工的故障深度分别为:0.2毫米、0.4毫米和0.6毫米;

15、所述加工的故障分别位于轴承的内圈、外圈和保持架。

16、进一步的,所述故障信号包括:内圈故障0.2mm、内圈故障0.4mm、内圈故障0.6mm、外圈故障0.2mm、外圈故障0.4mm、外圈故障0.6mm、保持架故障0.2mm、保持架故障0.4mm以及保持架故障0.6mm;

17、所述正常信号唯一为正常状态信号。

18、进一步的,所述基于频率切片小波变换将所述振动信号的一维振动信号转化为二维时频图的过程为:

19、利用时频域分析进行振动信号解析,计算时频分辨系数、频率分辨比率、幅值期望比率以及振动谐波初始相位。

20、进一步的,所述在resnet网络加入可变形卷积层进行网络模型优化改进,得到基于dc-resnet的网络模型的过程为:

21、使用可变形卷积层替换resnet网络的卷积层,通过在常规卷积神经网络的矩形域上引入一个二维偏移量,其表达式为:

22、

23、式中,p0为核内任意位置,pn为学习偏移参数,r为线性偏移变量,当n=|r|时,网格通过δpn逐渐增大,则式(1)变形成式(2);

24、在可变形卷积的训练过程中,同时进行感受野偏置量的产生与特征图卷积核的生成;

25、偏置量通过对式(2)进行求导得到,并通过以式进行更新:

26、

27、式中,p为任意位置,q为特征图x中所有的整体空间位置,g为双线性插值核;

28、可变形卷积从输入的特征图中提取偏移参数,这些参数用两个通道描述,分别代表x和y方向。

29、进一步的,所述采用印刷机轴承数据集对网络模型进行训练,得到诊断网络模型的过程为:

30、将印刷机轴承数据集分为训练集和预测集;

31、初始化基于dc-resnet的网络模型的参数,设置dc-resnet网络的学习率和迭代次数;

32、采用adagrad优化器,并进行归一化处理,采用训练集对训练并得到诊断网络模型;

33、采用预测集验证诊断网络模型,得到最终的诊断网络模型。

34、一种基于改进dc-resnet印刷机轴承诊断的系统,包括:

35、采集单元,被配置为:

36、用于利用传感器获取印刷机轴承的振动信号;

37、预处理单元,被配置为:

38、用于基于频率切片小波变换将所述振动信号的一维振动信号转化为二维时频图;

39、分类单元,被配置为:

40、用于将所述二维时频图分类得到各种故障类型以及正常类型二维时频图,并作为印刷机轴承数据集;

41、训练单元,被配置为:

42、用于在resnet网络加入可变形卷积层进行网络模型优化改进,得到基于dc-resnet的网络模型,采用印刷机轴承数据集对网络模型进行训练,得到诊断网络模型;

43、输出单元,被配置为:

44、用于基于诊断网络模型以及待测印刷机轴承的二维时频图得到诊断结果。

45、一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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时实现所述一种基于改进dc-resnet印刷机轴承诊断的方法的步骤。

46、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种基于改进dc-resnet印刷机轴承诊断的方法的步骤。

47、与现有技术相比,本发明具有以下有益的技术效果:

48、本发明提供一种基于改进dc-resnet印刷机轴承诊断的方法及系统,包括以下步骤:利用传感器获取印刷机轴承的振动信号;基于频率切片小波变换将所述振动信号的一维振动信号转化为二维时频图;将所述二维时频图分类得到各种故障类型以及正常类型二维时频图,并作为印刷机轴承数据集;在resnet网络加入可变形卷积层进行网络模型优化改进,得到基于dc-resnet的网络模型,采用印刷机轴承数据集对网络模型进行训练,得到诊断网络模型;基于诊断网络模型以及待测印刷机轴承的二维时频图得到诊断结果;本技术采集了印刷机实际轴承的振动信号,通过时频分析对轴承振动信号进行解析,并构建了二维时频图作为数据集输入,这种方法能够从时域和频域两个方面进行特征提取,相较于先前的深度学习模型,具有更高的准确率和精度;同时,本技术通过改进残差神经网络并结合可变形卷积层,提高了模型的泛化能力和特征提取能力,有效消除了无关特征的影响,能够有效处理实际工况下印刷机轴承背景噪声较大的情况,从而成功完成故障诊断任务。

本文地址:https://www.jishuxx.com/zhuanli/20241106/323970.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。