CN114861718A - 基于改进深度残差算法的轴承故障诊断方法及系统 - Google Patents
基于改进深度残差算法的轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114861718A CN114861718A CN202210465025.3A CN202210465025A CN114861718A CN 114861718 A CN114861718 A CN 114861718A CN 202210465025 A CN202210465025 A CN 202210465025A CN 114861718 A CN114861718 A CN 114861718A
- Authority
- CN
- China
- Prior art keywords
- convolution
- bearing fault
- branch
- fault diagnosis
- bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011176 pooling Methods 0.000 claims description 39
- 230000010339 dilation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进深度残差算法的轴承故障诊断方法及系统，涉及设备故障检测技术领域。本发明将获取的一维时序信号的轴承故障数据转化成二维图像数据并形成故障数据集；然后利用该故障数据集训练构建的包括改进的深度残差网络和改进的SK注意力机制所结合而成的Resnet‑SK轴承故障诊断模型，最终利用训练好的Resnet‑SK轴承故障诊断模型进行设备的轴承故障诊断。本发明的轴承故障诊断方法既能达到较高的设备轴承故障诊断精度，又能保证较低的时间成本。
Description
技术领域
本发明涉及设备故障检测技术，具体涉及一种基于改进深度残差算法的轴承故障诊断方法及系统。
背景技术
现代工业生产中，对精密设备的故障进行检测时，发现有约30％-40％的设备故障是由轴承故障引起的。所以近些年来通过监测和诊断轴承状态来确保生产安全以及降低生产成本一直是该领域的热点问题与挑战。轴承故障诊断主要是通过对采集到的轴承故障数据(主要表现为一维时序信号)进行数据预处理并提取数据特征，最终实现对故障数据的检测。
目前，该领域常将深度学习(Deep Learning)的强大特征学习能力应用于故障数据的检测与诊断任务中，针对一维时序信号的轴承故障数据通常采用循环神经网络(RNN)、长短时记忆网络(LSTM)等网络模型进行特征学习，但这些模型由于网络深度较浅，很难学习到数据的高维特征，在对实际的设备轴承故障数据诊断时往往精度不够。如果将一维时序信号做二维处理，然后通过深度网络进行训练学习，虽然可以加深网络层数，实现对高维特征的学习，但又会带来高时间成本，且应用在小规模数据集上会出现过拟合的问题，影响轴承故障诊断精度。另外，实际工业生产中采集到的故障样本数据会更加复杂，且呈现出不平稳的态势，同样也会影响轴承故障的诊断精度。
综合考虑上述问题可知，现有通过传统的深度学习方法对实际的轴承故障信号进行轴承故障诊断时，存在精度低且效率低等问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于改进深度残差算法的轴承故障诊断方法及系统，解决了现有轴承故障诊断技术存在精度低且效率低的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明首先提出了一种基于改进深度残差算法的轴承故障诊断方法，所述方法包括：
将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集；
基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积替换为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；
利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
优选的，所述将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集包括：
S11、将获取的轴承故障一维时序信号利用格拉姆角场操作进行二维化处理，得到二维图像数据
S12、将所述二维图像数据进行数据增强操作以及标注标签操作，得到故障数据集；所述故障数据集包括训练集和测试集。
优选的，所述利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积包括：
在原SK卷积的split阶段新增一条支路，与原有两条支路共同组成多尺度扩张卷积组。
优选的，所述多尺度扩张卷积组包括：
卷积组中的支路一为大小为3扩张率为1的扩张卷积；卷积组中的支路二为大小为3，扩张率为2的扩张卷积；卷积组中的支路三为大小为3，扩张率为3的扩张卷积。
优选的，所述方法还包括：
利用sigmoid函数将所述全局平均池化和所述最大池化两种池化操作后生成的特征图进行融合。
第二方面，本发明还提供了一种基于改进深度残差算法的轴承故障诊断系统，所述系统包括：
数据集获取模块，用于将获取的轴承故障一维时序信号转化成二维图像数据，并基于所述二维图像数据形成故障数据集；
模型训练模块，用于基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积替换为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；
故障诊断模块，用于利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
优选的，所述数据集获取模块
将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集包括：
S11、将获取的轴承故障一维时序信号利用格拉姆角场操作进行二维化处理，得到二维图像数据
S12、将所述二维图像数据进行数据增强操作以及标注标签操作，得到故障数据集；所述故障数据集包括训练集和测试集。
优选的，所述模型训练模块中利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积包括：
在原SK卷积的split阶段新增一条支路，与原有两条支路共同组成多尺度扩张卷积组。
优选的，所述多尺度扩张卷积组包括：
卷积组中的支路一为大小为3扩张率为1的扩张卷积；卷积组中的支路二为大小为3，扩张率为2的扩张卷积；卷积组中的支路三为大小为3，扩张率为3的扩张卷积。
优选的，所述系统还包括：特征融合模块，用于利用sigmoid函数将所述全局平均池化和所述最大池化两种池化操作后生成的特征图进行融合。
(三)有益效果
本发明提供了一种基于改进深度残差算法的轴承故障诊断方法及系统。与现有技术相比，具备以下有益效果：
1、本发明将获取的一维时序信号的轴承故障数据转化成二维图像数据并形成故障数据集；然后利用该故障数据集训练构建的包括改进的深度残差网络和改进的SK注意力机制所结合而成的Resnet-SK轴承故障诊断模型，最终利用训练好的Resnet-SK轴承故障诊断模型进行设备的轴承故障诊断。本发明中一方面可以利用深度残差网络具有较深网络的特点，能够保证对故障数据高维特征的提取和充分学习；另一方面，本发明可以灵活选择Resnet网络中的浅层网络作为模型的主体部分，可以避免深层网络训练小规模数据集会产生的过拟合、耗时长等问题，既能达到较高的诊断精度，又能保证较低的时间成本。
2、本发明将一维的时序信号进行格拉姆角场操作转换成二维图像，既较好地保留了一维信号的时序性，也充分利用了二维深度神经网络在图像分类任务中的优势，相比于传统的对一维时序信号直接进行学习更具先进性。
3.本发明改进的SK注意力机制相比于一般的注意力机制，能够更好地根据输入信息的多个尺度自适应地调节感受野大小，使整个模型的泛化能力更强；通过对SK卷积中的池化层采用同时进行全局平均池化和最大池化的下采样操作，使得其在对图像的纹理、层次特征更好提取的同时，也较好地保留了图像的背景信息，进一步提高了模型对轴承故障诊断的能力，诊断精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于改进深度残差算法的轴承故障诊断方法的流程图；
图2a和图2b为本发明实施例中改进前后的Resnet-18网络的对比图；
图3为原始的SK注意力机制结构图；
图4为本发明实施例中改进后的SK注意力机制结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于改进深度残差算法的轴承故障诊断方法及系统，解决了现有轴承故障诊断技术存在精度低且效率低的问题，实现了精准、高效诊断轴承故障的目的。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
为了解决传统深度学习方法对实际的轴承故障信号进行轴承故障诊断时存在精度低且效率低等问题，本申请构建了一种基于改进深度残差算法的轴承故障诊断模型，然后将获取的轴承故障一维时序信号转化成二维图像数据并形成故障数据集，用于训练上述构建的模型，最后利用训练好的轴承故障诊断模型对轴承故障进行诊断和判别。特别的，本发明的轴承故障诊断模型以Resnet网络为基础，在Resnet网络的基本残差模块的shortcut支路中加入改进的SK注意力机制，不仅保证了对故障数据高维特征的提取，还提高了故障诊断的精度和降低了时间成本。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
第一方面，本发明首先提出了一种基于改进深度残差算法的轴承故障诊断方法，参见图1，该方法包括：
S1、将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集；
S2、基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积修改为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；
S3、利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
可见，本实施例将获取的一维时序信号的轴承故障数据转化成二维图像数据并形成故障数据集；然后利用该故障数据集训练构建的包括改进的深度残差网络和改进的SK注意力机制所结合而成的Resnet-SK轴承故障诊断模型，最终利用训练好的Resnet-SK轴承故障诊断模型进行设备的轴承故障诊断。本发明中一方面可以利用深度残差网络具有较深网络的特点，能够保证对故障数据高维特征的提取和充分学习；另一方面，本发明可以灵活选择Resnet网络中的浅层网络作为模型的主体部分，可以避免深层网络训练小规模数据集会产生的过拟合、耗时长等问题，既能达到较高的诊断精度，又能保证较低的时间成本。
下面结合附图1-4，以及对S1-S3具体步骤的解释，来详细说明本发明一个实施例的实现过程。本实施例基于改进深度残差算法的轴承故障诊断方法具体包括如下步骤：
S1、将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集。
1)采集设备轴承故障信号数据，或者采用轴承故障的公开数据作为原始样本数据，这些数据一般表现为一维时序信号。在本实施例中，以美国凯斯西储大学的轴承故障公开数据集CWRU为例，选择数据集中采样频率为12khz、电机转速为1797rmp条件下的驱动端中故障直径为0.007英寸的内圈故障数据、外圈故障数据、滚动体故障数据和正常数据这4类数据作为原始样本数据。
对上述获取的一维时序信号做数据预处理，包括数据清洗(如无效数据丢弃、缺失数据补全等)，再将经过数据清洗的一维时序信号进行格拉姆角场(GAF)操作，转成二维图像。具体的，利用GAF操作将一维信号进行二维化处理包括：
步骤1:输入一维时序信号，进行归一化，并将直角坐标系下的时间序列压缩到[0,1]或[-1,1]；
步骤2:将上述直角坐标转换为极坐标；
步骤3:画出极坐标后，用角度和、差的三角函数变换，分别得到GASF、GADF，最终可以画出格拉姆角场图，即转化后的二维图像数据。
2)对上述得到的二维图像进行数据增强操作以得到更适合后续模型的样本图像。在本实施例中，数据增强操作包括如随机裁剪、以某一概率翻转图片、改变图片亮度、缩放等操作。
3)给上述处理好的图像打好标签，即将上述二维图像中的正常数据图像和故障数据图像进行标注和区分，形成故障数据集，并以4:1的比例把故障数据集划分为训练集和测试集。
S2、基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积修改为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化。
1)构建Resnet-SK轴承故障诊断模型。
本实施例中构建的轴承故障诊断模型是在Resnet-18网络的基本残差模块的卷积层后加入改进的SK注意力机制，参见图2，图2a和图2b分别为改进前的原始Resnet-18网络和改进后的Resnet-18网络。本实施例中的Resnet-SK轴承故障诊断模型可以根据所检测的故障数据集的规模大小与复杂程度，灵活地选择所使用的网络层数。例如，本实施例中的4种数据组成的数据集规模较小，特征不难提取，为了避免深层网络训练小规模数据集会产生的过拟合、耗时长等情况发生，可以选择Resnet-18网络中的前2层网络作为模型的主体部分，这样既能达到较高的诊断精度，又能保证较低的时间成本。
Resnet-SK轴承故障诊断模型构建的具体过程为：
首先，在原BasicBlock结构的shortcut支路中加入改进的选择性卷积核(selective kernel，SK)注意力机制，这样便可以通过SK注意力机制，增加网络对图像的重点特征的捕捉与学习能力。本实施例中，SK卷积的位置位于shortcut支路而不是在主路两次卷积操作之后，可以在在一定程度上减少网络的参数，避免了高计算成本。
另外，本实施例改进的SK注意力机制是在原SK注意力机制的基础上进行了改进，以更加适合轴承故障诊断。参见图3和图4，图3为原始的SK注意力机制，图4为改进后的SK注意力机制。具体的，本实施例中的改进的SK注意力机制包括：
①在原SK卷积的split阶段，新增一条支路，使用3×3卷积核，并采用padding为3，dilation为3的扩张卷积，而原有结构中还有两条支路：一条为大小为3扩张率为1的扩张卷积；另一条支路为大小为3，扩张率为2的扩张卷积。这样新增的支路与原结构中的两条支路共同组成扩张率分别为1，2，3的多尺度扩张卷积组。这样，使得利用多尺度扩张卷积组可以动态地、多尺度地选择感受野，对图像的复杂特征进行更高效的提取与学习。
②在原SK卷积的fuse阶段，在进行全局平均池化(GAP)的同时，增加一个最大池化的操作，即采用全局平均池化与自适应最大池化相结合的下采样操作。并且在两种池化操作后使用sigmoid函数将两种池化操作生成的特征图进行融合，作为一个整体输入后续的网络。因为图像的纹理特征在分类任务上显得更为重要，而最大池化操作可以在将一维故障信号转化成二维图像时有效地凸显图像的纹理特征，然后与原有的全局平均池化相结合，既可以避免图像全局信息的缺失，又可以使网络对图像的纹理特征具有更强的提取能力。
然后，在原BasicBlock结构的残差支路(即主路)中，将第二个常规卷积修改为扩张率为2的扩张卷积，如图2b所示。这样便可以通过扩张卷积进一步扩大卷积核对图像的感受野，在保持参数量不变的情况下，可以在更大的感受野中有效地提取出图片的信息，以增强网络对复杂图片特征的提取能力。
2)利用所述故障数据集训练构建的轴承故障诊断模型。
经过上述步骤之后，可以得到构建好的轴承故障诊断模型，当模型构建好后，即可利用步骤S1中获取的故障数据集来训练构建的轴承故障诊断模型。具体的，
利用故障数据集中的训练集训练轴承故障诊断模型，对故障数据的特征进行学习，然后利用测试集对轴承故障诊断模型进行测试，当模型的准确率满足预期要求时训练停止。
S3、利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
最后，即可利用训练好的轴承故障诊断模型，利用采集的设备轴承故障数据对轴承故障进行诊断。
至此，则完成了本实施例一种基于改进深度残差算法的轴承故障诊断方法的全部流程。
实施例2：
第二方面，本发明还提供了一种基于改进深度残差算法的轴承故障诊断系统，该系统包括：
数据集获取模块，用于将获取的轴承故障一维时序信号转化成二维图像数据，并基于所述二维图像数据形成故障数据集；
模型训练模块，用于基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积替换为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；
故障诊断模块，用于利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
可选的，所述数据集获取模块
将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集包括：
S11、将获取的轴承故障一维时序信号利用格拉姆角场操作进行二维化处理，得到二维图像数据
S12、将所述二维图像数据进行数据增强操作以及标注标签操作，得到故障数据集；所述故障数据集包括训练集和测试集。
可选的，所述模型训练模块中利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积包括：
在原SK卷积的split阶段新增一条支路，与原有两条支路共同组成多尺度扩张卷积组。
可选的，所述多尺度扩张卷积组包括：
卷积组中的支路一为大小为3扩张率为1的扩张卷积；卷积组中的支路二为大小为3，扩张率为2的扩张卷积；卷积组中的支路三为大小为3，扩张率为3的扩张卷积。
可选的，所述系统还包括：特征融合模块，用于利用sigmoid函数将所述全局平均池化和所述最大池化两种池化操作后生成的特征图进行融合。
可理解的是，本发明实施例提供的基于改进深度残差算法的轴承故障诊断系统与上述基于改进深度残差算法的轴承故障诊断方法相对应，其有关内容的解释、举例、有益效果等部分可以参照基于改进深度残差算法的轴承故障诊断方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明将获取的一维时序信号的轴承故障数据转化成二维图像数据并形成故障数据集；然后利用该故障数据集训练构建的包括改进的深度残差网络和改进的SK注意力机制所结合而成的Resnet-SK轴承故障诊断模型，最终利用训练好的Resnet-SK轴承故障诊断模型进行设备的轴承故障诊断。本发明中一方面可以利用深度残差网络具有较深网络的特点，能够保证对故障数据高维特征的提取和充分学习；另一方面，本发明可以灵活选择Resnet网络中的浅层网络作为模型的主体部分，可以避免深层网络训练小规模数据集会产生的过拟合、耗时长等问题，既能达到较高的诊断精度，又能保证较低的时间成本。
2、本发明将一维的时序信号进行格拉姆角场操作转换成二维图像，既较好地保留了一维信号的时序性，也充分利用了二维深度神经网络在图像分类任务中的优势，相比于传统的对一维时序信号直接进行学习更具先进性。
3、本发明改进的SK注意力机制相比于一般的注意力机制，能够更好地根据输入信息的多个尺度自适应地调节感受野大小，使整个模型的泛化能力更强；通过对SK卷积中的池化层采用同时进行全局平均池化和最大池化的下采样操作，使得其在对图像的纹理、层次特征更好提取的同时，也较好地保留了图像的背景信息，进一步提高了模型对轴承故障诊断的能力，诊断精度更高。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于改进深度残差算法的轴承故障诊断方法，其特征在于，所述方法包括：
将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集；
基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积替换为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；
利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
2.如权利要求1所述的方法，其特征在于，所述将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集包括：
S11、将获取的轴承故障一维时序信号利用格拉姆角场操作进行二维化处理，得到二维图像数据；
S12、将所述二维图像数据进行数据增强操作以及标注标签操作，得到故障数据集；所述故障数据集包括训练集和测试集。
3.如权利要求1所述的方法，其特征在于，所述利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积包括：
在原SK卷积的split阶段新增一条支路，与原有两条支路共同组成多尺度扩张卷积组。
4.如权利要求3所述的方法，其特征在于，所述多尺度扩张卷积组包括：
卷积组中的支路一为大小为3，扩张率为1的扩张卷积；卷积组中的支路二为大小为3，扩张率为2的扩张卷积；卷积组中的支路三为大小为3，扩张率为3的扩张卷积。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
利用sigmoid函数将所述全局平均池化和所述最大池化两种池化操作后生成的特征图进行融合。
6.一种基于改进深度残差算法的轴承故障诊断系统，其特征在于，所述系统包括：
数据集获取模块，用于将获取的轴承故障一维时序信号转化成二维图像数据，并基于所述二维图像数据形成故障数据集；
模型训练模块，用于基于所述故障数据集训练构建的Resnet-SK轴承故障诊断模型；
所述Resnet-SK轴承故障诊断模型包括：在深度残差网络的BasicBlock结构的shortcut支路中加入改进的SK注意力机制，同时将BasicBlock结构的残差支路上的第二个常规卷积替换为扩张率为2的扩张卷积；所述改进的SK注意力机制包括：利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积，且在SK注意力机制的fuse阶段全局平均池化的同时进行最大池化；
故障诊断模块，用于利用训练后的所述Resnet-SK轴承故障诊断模型进行轴承故障诊断。
7.如权利要求6所述的系统，其特征在于，所述数据集获取模块将获取的轴承故障一维时序信号转化成二维图像数据，基于所述二维图像数据形成故障数据集包括：
S11、将获取的轴承故障一维时序信号利用格拉姆角场操作进行二维化处理，得到二维图像数据；
S12、将所述二维图像数据进行数据增强操作以及标注标签操作，得到故障数据集；所述故障数据集包括训练集和测试集。
8.如权利要求6所述的系统，其特征在于，所述模型训练模块中利用多尺度扩张卷积组替换SK注意力机制split阶段的两条支路卷积包括：
在原SK卷积的split阶段新增一条支路，与原有两条支路共同组成多尺度扩张卷积组。
9.如权利要求8所述的系统，其特征在于，所述多尺度扩张卷积组包括：
卷积组中的支路一为大小为3扩张率为1的扩张卷积；卷积组中的支路二为大小为3，扩张率为2的扩张卷积；卷积组中的支路三为大小为3，扩张率为3的扩张卷积。
10.如权利要求6所述的系统，其特征在于，所述系统还包括：特征融合模块，用于利用sigmoid函数将所述全局平均池化和所述最大池化两种池化操作后生成的特征图进行融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210465025.3A CN114861718B (zh) | 2022-04-29 | 2022-04-29 | 基于改进深度残差算法的轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210465025.3A CN114861718B (zh) | 2022-04-29 | 2022-04-29 | 基于改进深度残差算法的轴承故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114861718A true CN114861718A (zh) | 2022-08-05 |
| CN114861718B CN114861718B (zh) | 2024-06-14 |
Family
ID=82635513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210465025.3A Active CN114861718B (zh) | 2022-04-29 | 2022-04-29 | 基于改进深度残差算法的轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861718B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495812A (zh) * | 2023-11-08 | 2024-02-02 | 哈尔滨工程大学 | 一种滚动轴承故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627472A (zh) * | 2021-07-05 | 2021-11-09 | 南京邮电大学 | 基于分层深度学习模型的智慧园林食叶害虫识别方法 |
| WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| CN113887136A (zh) * | 2021-10-08 | 2022-01-04 | 东北大学 | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 |
| CN113962889A (zh) * | 2021-10-21 | 2022-01-21 | 中国科学院空天信息创新研究院 | 遥感图像的薄云去除方法、装置、设备及介质 |
| WO2022047627A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
-
2022
- 2022-04-29 CN CN202210465025.3A patent/CN114861718B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| WO2022047627A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
| CN113627472A (zh) * | 2021-07-05 | 2021-11-09 | 南京邮电大学 | 基于分层深度学习模型的智慧园林食叶害虫识别方法 |
| CN113887136A (zh) * | 2021-10-08 | 2022-01-04 | 东北大学 | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 |
| CN113962889A (zh) * | 2021-10-21 | 2022-01-21 | 中国科学院空天信息创新研究院 | 遥感图像的薄云去除方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 毛昭辉;: "基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断", 组合机床与自动化加工技术, no. 07, 20 July 2020 (2020-07-20) * |
| 闻新;龙弟之;王俊鸿;魏炳翌;: "基于1D-CNN的卫星姿态控制系统故障诊断方法", 兵工自动化, no. 07, 15 July 2020 (2020-07-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495812A (zh) * | 2023-11-08 | 2024-02-02 | 哈尔滨工程大学 | 一种滚动轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114861718B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112651978B (zh) | 舌下微循环图像分割方法和装置、电子设备、存储介质 | |
| CN113887459B (zh) | 一种基于改进Unet++的露天矿区采场变化区域检测方法 | |
| WO2022111352A1 (zh) | 目标检测方法及装置、存储介质、终端 | |
| CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
| WO2021081562A2 (en) | Multi-head text recognition model for multi-lingual optical character recognition | |
| CN114677346A (zh) | 基于记忆信息的端到端的半监督图像表面缺陷的检测方法 | |
| CN112465752A (zh) | 一种基于改进的Faster R-CNN小目标检测方法 | |
| CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
| CN111666842A (zh) | 一种基于双流空洞卷积神经元网络的阴影检测方法 | |
| CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
| CN111914654A (zh) | 一种文本版面分析方法、装置、设备和介质 | |
| CN112700460B (zh) | 图像分割方法及系统 | |
| CN111210417B (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
| CN114742799A (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
| CN115984700A (zh) | 一种基于改进Transformer孪生网络的遥感图像变化检测方法 | |
| CN114861718A (zh) | 基于改进深度残差算法的轴承故障诊断方法及系统 | |
| CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
| CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
| CN116580232A (zh) | 一种图像自动标注方法、系统及电子设备 | |
| CN116977249A (zh) | 缺陷检测的方法、模型训练的方法和装置 | |
| CN112070009B (zh) | 基于改进的lbp算子的卷积神经网络表情识别方法 | |
| CN117152142B (zh) | 一种轴承缺陷检测模型构建方法及系统 | |
| CN117933309B (zh) | 一种用于双时相遥感图像变化发现的三路神经网络及方法 | |
| CN112287940B (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
| CN116152565A (zh) | 一种基于噪声指纹的图像验真检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |