一种轴承故障诊断方法、装置、设备及存储介质

本发明涉及轴承故障检测，尤其涉及一种基于格拉姆角场与并行卷积的cbam注意力机制的轴承故障诊断方法、装置、设备及存储介质。

背景技术：

1、随着工业技术向高精度、高效率、高自动化的方向发展，对轴承的性能和可靠性的要求日益严格。然而，轴承的工作环境复杂多变，加之多种潜在因素，如高温、重载、高速运转、材料疲劳、润滑不良及安装不当等，导致轴承故障频发。这些故障严重时可能引发设备停机，给企业带来巨大的经济损失和安全隐患。因此，对轴承故障进行及时、准确的诊断至关重要。

2、现有技术中，通常采用传统的基于一维时间序列分析的方法进行故障诊断，但一维数据难以直观地展示时间序列中的时间依赖性与变化信息，且在处理一维时间序列数据时往往难以有效地提取和表示数据中的深层次特征，限制了故障特征的提取和识别能力；其次，传统的卷积神经网络结构在特征提取过程中，常通过池化层来减小特征图的空间尺寸，这一步骤虽然能够降低计算量和内存使用，但同时也可能导致关键特征信息的丢失和模糊；此外，现有技术在处理故障数据时，往往缺乏针对关键故障特征的注意力机制，导致模型在处理背景噪声和无关信息时容易受到干扰，从而影响诊断的效果。

技术实现思路

1、为解决以上技术问题，本发明提供了一种轴承故障诊断方法、装置、设备及存储介质，通过采用格拉姆角场（gramianangular field，gaf）、cbam（convolutional blockattention module）自注意力机制、并行卷积与滑动卷积进行特征提取，提升了轴承故障诊断的全面性和准确性。

2、本发明实施例提供了一种轴承故障诊断方法，包括：

3、采集轴承的时间序列数据；

4、采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图；

5、将所述格拉姆差场图以及所述格拉姆和场图输入轴承故障诊断模型，得到轴承的故障诊断结果；

6、其中，所述轴承故障诊断模型采用卷积神经网络，所述模型用于：

7、对所述格拉姆差场图与所述格拉姆和场图进行并行卷积，并采用滑动卷积替代池化操作，进行特征提取与特征聚合，得到故障特征；

8、基于所述故障特征，采用cbam注意力机制自适应地调整特征图的通道和空间权重，生成所述故障诊断结果。

9、作为上述方案的改进，所述采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图，包括：

10、将所述时间序列数据进行归一化处理，并将归一化的时间序列数据转换为极坐标；

11、根据所述时间序列数据之间的余弦和，生成格拉姆和场图；

12、根据所述时间序列数据之间的角度差，生成格拉姆差场图。

13、作为上述方案的改进，所述cbam注意力机制包括通道注意力机制，所述通道注意力机制用于：

14、通过计算每个通道的全局平均池化和全局最大池化，得到每个通道的全局信息；

15、通过全连接层对所述全局信息进行融合，生成通道注意力权重，以对每个通道进行加权。

16、作为上述方案的改进，所述cbam注意力机制还包括空间注意力机制，所述空间注意力机制用于：

17、通过在每个通道上进行一维卷积，获取每个像素点的局部信息；

18、对所述局部信息进行全局平均池化和全局最大池化，生成空间注意力权重，以对每个像素点进行加权。

19、作为上述方案的改进，所述轴承故障诊断模型包括：采样模块、空间注意力模块与通道注意力模块；

20、所述采样模块的结构依次为卷积层、正则化层、滑动卷积层、relu层、卷积层、正则化层、滑动卷积层、relu层、卷积层与正则化层；

21、所述空间注意力模块，包括：卷积层与sigmoid层；

22、所述通道注意力模块，包括：自适应平均池化层、自适应最大池化层、卷积层、relu层与卷积层。

23、本发明实施例还提供了一种轴承故障诊断装置，包括：

24、数据采集模块，用于采集轴承的时间序列数据；

25、格拉姆角场模块，用于采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图；

26、故障诊断模块，用于将所述格拉姆差场图以及所述格拉姆和场图输入轴承故障诊断模型，得到轴承的故障诊断结果；

27、其中，所述轴承故障诊断模型采用卷积神经网络，所述模型用于：

28、对所述格拉姆差场图与所述格拉姆和场图进行并行卷积，并采用滑动卷积替代池化操作，进行特征提取与特征聚合，得到故障特征；

29、基于所述故障特征，采用cbam注意力机制自适应地调整特征图的通道和空间权重，生成所述故障诊断结果。

30、进一步的，所述格拉姆角场模块具体用于：

31、将所述时间序列数据进行归一化处理，并将归一化的时间序列数据转换为极坐标；

32、根据所述时间序列数据之间的余弦和，生成格拉姆和场图；

33、根据所述时间序列数据之间的角度差，生成格拉姆差场图。

34、进一步的，所述轴承故障诊断模型包括：采样模块、空间注意力模块与通道注意力模块；

35、所述采样模块的结构依次为卷积层、正则化层、滑动卷积层、relu层、卷积层、正则化层、滑动卷积层、relu层、卷积层与正则化层；

36、所述空间注意力模块，包括：卷积层与sigmoid层；

37、所述通道注意力模块，包括：自适应平均池化层、自适应最大池化层、卷积层、relu层与卷积层。

38、本发明实施例还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现上述任一项所述的轴承故障诊断方法。

39、本发明实施例还提供了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，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的轴承故障诊断方法。

40、相对于现有技术，本发明实施例提供的一种轴承故障诊断方法、装置、设备及存储介质的有益效果在于：通过采用格拉姆角场，将一维的时间序列数据转换为二维的图像数据，保留了时间序列中的时间依赖性和变化信息，有利于卷积神经网络的特征提取；通过采用并行卷积的方式，同时处理格拉姆差场图与格拉姆和场图，分别提取其故障特征，能够充分利用格拉姆角场生成的不同类型图像中的信息，提高特征提取的全面性和准确性；通过滑动卷积替代传统的池化操作，避免了特征丢失和特征模糊的问题，保留了更多的细节信息；通过在模型的后端加入cbam注意力机制，能够同时考虑通道和空间两个维度的注意力信息，自适应地调整特征图的权重，能够使模型更加关注重要的特征信息，而忽略无关的背景噪声，进一步提升了故障诊断模型的性能。

技术特征：

1.一种轴承故障诊断方法，其特征在于，包括：

2.如权利要求1所述的轴承故障诊断方法，其特征在于，所述采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图，包括：

3.如权利要求1所述的轴承故障诊断方法，其特征在于，所述cbam注意力机制包括通道注意力机制，所述通道注意力机制用于：

4.如权利要求3所述的轴承故障诊断方法，其特征在于，所述cbam注意力机制还包括空间注意力机制，所述空间注意力机制用于：

5.如权利要求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：采样模块、空间注意力模块与通道注意力模块；

6.一种轴承故障诊断装置，其特征在于，包括：

7.如权利要求6所述的轴承故障诊断装置，其特征在于，所述格拉姆角场模块具体用于：

8.如权利要求6所述的轴承故障诊断装置，其特征在于，所述轴承故障诊断模型包括：采样模块、空间注意力模块与通道注意力模块；

9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的轴承故障诊断方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如权利要求1至5中任意一项所述的轴承故障诊断方法。

技术总结本发明公开了一种轴承故障诊断方法、装置、设备及存储介质，所述方法包括：采集轴承的时间序列数据；采用格拉姆角场处理时间序列数据，生成格拉姆差场图以及格拉姆和场图，输入轴承故障诊断模型，得到轴承的故障诊断结果；其中，轴承故障诊断模型采用卷积神经网络，该模型用于：对格拉姆差场图与格拉姆和场图进行并行卷积，并采用滑动卷积替代池化操作，进行特征提取与特征聚合，得到故障特征；基于故障特征，采用CBAM注意力机制自适应地调整特征图的通道和空间权重，生成故障诊断结果。本发明能够提升轴承故障诊断的全面性和准确性。技术研发人员：荆晓远,谢胜灵,杜杰宾,邓晋珏,姚永芳,易鹏,王平雁,陈俊均受保护的技术使用者：广东石油化工学院技术研发日：技术公布日：2025/1/13