CN115406656A - 轴承锈蚀智能诊断方法及系统 - Google Patents
轴承锈蚀智能诊断方法及系统 Download PDFInfo
- Publication number
- CN115406656A CN115406656A CN202211042702.7A CN202211042702A CN115406656A CN 115406656 A CN115406656 A CN 115406656A CN 202211042702 A CN202211042702 A CN 202211042702A CN 115406656 A CN115406656 A CN 115406656A
- Authority
- CN
- China
- Prior art keywords
- model
- bearing
- corrosion
- data
- module
- 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.)
- Pending
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 71
- 238000005260 corrosion Methods 0.000 title claims abstract description 71
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 53
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000005096 rolling process Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及智能诊断技术领域,提供一种轴承锈蚀智能诊断方法,该方法通过采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;按初始设定的比例截断,得到训练集和测试集,灰度化处理后,构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型,输入模型中进行训练,损失函数优化神经网络中参数的权重和偏置;判断迭代次数是否达到初始设定的值,得到最优模型,能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放,得到更好的智能诊断模型;提高轴承锈蚀智能诊断模型的性能,将该方法和系统用于诊断轴承的锈蚀故障,能够实现对轴承健康状态及锈蚀严重程度进行准确评估,提高智能化和准确率。
Description
技术领域
本发明涉及智能诊断技术领域,特别涉及一种轴承锈蚀智能诊断方法及系统。
背景技术
智能故障诊断是人工智能和故障诊断相结合的产物,在诊断过程中融合了领域专家知识和人工智能技术。滚动轴承作为旋转机械的关键部件,在工业生产中有着广泛的应用,是保障系统安全稳定运转的关键环节,也是整个机械系统中最容易出现故障的零部件之一,针对滚动轴承进行智能故障诊断,对保证设备的正常稳定运转具有重要意义。
CN108956618B公开了一种基于频域视觉的圆锥滚子轴承表面检测方法,包括以下步骤:A、采集图像:通过图像扫描装置采集圆锥滚子轴承表面图像,搭建缺陷图像集;B、图像处理:通过膨胀腐蚀算法对采集的图片去除噪声,利用阈值分割对图像进行二值化处理,同时,通过二维快速傅里叶变换进行频域滤波并进行二维快速傅里叶反变换得到处理后的图像,并进行判断输出;C、纹理特征提取:通过Gabor滤波器来提取图像的纹理特征,特定尺度特定方向上的Gabor小波系数反映该方向上的形状和纹理特征,采用Gabor小波来提取图像在多个尺度和多个方向上的特征;D、分类识别:用网格法和K-CV法对其实现寻优,并完成分类识别,得到分类结果。
轴承的锈蚀严重影响其精度等级,降低其使用寿命,甚至导致安全事故的发生,现有技术中,针对轴承锈蚀的检测和严重程度评估、轴承健康状态的评估都处于定性阶段,存在难以自动、实时对轴承锈蚀进行自动检测等问题。
发明内容
经过长期实践发现,现有技术中针对轴承的检测方法没有综合考虑网络深度、网络宽度以及输入分辨率的合理配置,且在提取轴承样本特征的过程中,存在注意力分散及特征提取不合理的问题,最终影响了模型的故障诊断性能;针对轴承锈蚀这类特殊的问题,缺乏有效的智能检测方法和模型。
有鉴于此,本发明旨在提出一种轴承锈蚀智能诊断模型建立方法,所述轴承锈蚀智能诊断模型建立方法包括,
步骤S1,采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;
步骤S2,按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;
步骤S3,按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;
步骤S4,将训练集和测试集数据中的所有样本进行灰度化处理;
步骤S5,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;
步骤S6,将训练集样本输入模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置;
步骤S7,判断迭代次数是否达到初始设定的值,如否,则执行步骤S6;若是,则训练过程完成,并保存最优模型;
步骤S8,将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;
步骤S9,将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。
优选地,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型过程中包括ECA-Net子模型构建方法,
步骤S501,对输入的特征图进行全局平均池化,将数据降维;
步骤S502,采用一维卷积的方式计算特征向量的重要性,并利用激活函数生成通道间的权重信息;
步骤S503,将通道的权重信息乘以原始输入特征,在通道维度上对原始输入特征的重新标定。
优选地,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型过程中还包括EfficientNet子模型构建方法,
步骤S511,构建一个卷积核尺寸为3、步距为2的二维卷积层作为第一模块;
步骤S512,构建16个移动翻转瓶颈卷积模块作为第二模块;
步骤S513,构建一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层作为第三模块。
优选地,移动翻转瓶颈卷积模块包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层。
优选地,在EfficientNet模型中第一模块之后以及第三模块全连接层之前分别添加ECA-Net通道注意力模块。
本发明还公开了一种用于执行上述轴承锈蚀智能诊断方法的系统,所述系统包括,
采集单元,用于采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;
截断单元,用于按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;
预处理单元,用于按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;
灰度化处理单元,用于将训练集和测试集数据中的所有样本进行灰度化处理;
初始化单元,用于构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;
参数设置单元,用于将训练集样本输入模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置;
判断单元,用于判断迭代次数是否达到初始设定的值,如否,则重新回到参数设置单元中;若是,则训练过程完成,并保存最优模型;
标签设置单元,用于将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;
输出单元,用于将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。
优选地,所述初始化单元包括基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,所述基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型包括ECA-Net子模型和EfficientNet子模型,其中,ECA-Net子模型包括,
数据池化模块,用于对输入的特征图进行全局平均池化,将数据降维;
权重设置模块,用于采用一维卷积的方式计算特征向量的重要性,并利用激活函数生成通道间的权重信息;
权重设置模块,用于将通道的权重信息乘以原始输入特征,在通道维度上对原始输入特征的重新标定;
EfficientNet子模型包括,
第一模块,包括一个卷积核尺寸为3、步距为2的二维卷积层;
第二模块,包括16个移动翻转瓶颈卷积模块;
第三模块,包括一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层。
优选地,移动翻转瓶颈卷积模块至少包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层;
EfficientNet模型中的第一模块之后以及第三模块全连接层之前分别连接ECA-Net通道注意力模块。
本发明公开了一种电子设备,包括存储器和处理器:所述存储器,用于存储计算机程序;所述处理器,用于当执行计算机程序时,实现上述的轴承智能故障诊断方法。
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,该程序被处理器执行时实现本发明提供的方法。
相对于现有技术,本发明轴承锈蚀智能诊断方法,通过采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;将训练集和测试集数据中的所有样本进行灰度化处理;构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;将训练集样本输入模型中进行训练,损失函数优化神经网络中参数的权重和偏置;判断迭代次数是否达到初始设定的值,得到最优模型;将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。该方法和系统,能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放,得到更好的智能诊断模型;将ECA-Net通道注意力模块嵌入EfficientNet智能诊断模型中,提高EfficientNet轴承锈蚀智能诊断模型的性能,将该方法和系统用于诊断轴承的锈蚀故障,能够实现对轴承健康状态及锈蚀严重程度进行准确评估,提高智能化和准确率。
本发明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。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的基于ECA-Net与EfficientNet的模型结构的示意图;
图2为本发明的轴承锈蚀智能诊断方法的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指出现有技术中针对轴承的检测方法没有综合考虑网络深度、网络宽度以及输入分辨率的合理配置,且在提取轴承样本特征的过程中,存在注意力分散及特征提取不合理的问题,最终影响了模型的故障诊断性能;针对轴承锈蚀这类特殊的问题,缺乏有效的智能检测方法和模型等问题。本发明提供一种轴承锈蚀智能诊断方法,如图1-图2所示,所述轴承锈蚀智能诊断方法包括,
步骤S1,采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;
步骤S2,按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;
步骤S3,按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;
步骤S4,将训练集和测试集数据中的所有样本进行灰度化处理;
步骤S5,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;
步骤S6,将训练集样本输入模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置;
步骤S7,判断迭代次数是否达到初始设定的值,如否,则执行步骤S6;若是,则训练过程完成,并保存最优模型;
步骤S8,将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;
步骤S9,将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。
本发明轴承锈蚀智能诊断方法,通过采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;将训练集和测试集数据中的所有样本进行灰度化处理;构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;将训练集样本输入模型中进行训练,损失函数优化神经网络中参数的权重和偏置;判断迭代次数是否达到初始设定的值,得到最优模型;将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。该方法能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放,得到更好的智能诊断模型;将ECA-Net通道注意力模块嵌入EfficientNet智能诊断模型中,提高EfficientNet轴承锈蚀智能诊断模型的性能,将该方法和系统用于诊断轴承的锈蚀故障,能够实现对轴承健康状态及锈蚀严重程度进行准确评估,提高智能化和准确率。
其中,按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,根据初始设定的比例将原始信号数据截断为,得到用于训练的数据为训练集数据,用于测试的数据为测试集数据;其中,截断位置X为,
X=TrR×(TL-SL+SO)+TeR×(SL-SO)
TrR为训练集的比例,TeR为测试集的比例,TL是轴承振动原始信号数据总采样点数,SL为单个样本的采样点数,SO为采样偏移量;
按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;其中,训练集中的样本数TrN为,
测试集中的样本数TeN为,
例如,轴承在正常以及不同锈蚀程度下的原始振动数据由轴承综合故障数据采集平台获取,获取的原始振动数据中80%的振动数据用于构建训练集,20%的振动数据用于构建测试集。取4096个采样点作为单个样本的长度,取400作为采样偏移量的大小。由于采用了数据增强的策略,轴承在每种状态下的训练样本数为183个,测试样本数为45个。基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,输入为:轴承在正常以及不同锈蚀程度下的历史数据。输出为:训练好的智能诊断模型对当前轴承样本的预测标签。将预测标签与历史数据中的标签进行对比,即可判断出当前轴承的健康状态及锈蚀的严重程度。
为了更好地对轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动状态下进行高效处理,在本发明更优选的情况下,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型过程中包括ECA-Net子模型构建方法,
步骤S501,对输入的特征图进行全局平均池化,将数据降维;
步骤S502,采用一维卷积的方式计算特征向量的重要性,并利用激活函数生成通道间的权重信息;
步骤S503,将通道的权重信息乘以原始输入特征,在通道维度上对原始输入特征的重新标定。其中,ECA-Net是一种高效的通道注意力模块,由全局平均池化、一维卷积以及激活函数构成。
为了有效地提高基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型预测效率和准确性,通过对网络的深度、宽度以及分辨率这三个维度进行有效缩放,得到了更好的网络模型,在本发明更优选的情况下,如图1所示,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型过程中还包括EfficientNet子模型构建方法,
步骤S511,构建一个卷积核尺寸为3、步距为2的二维卷积层作为第一模块;
步骤S512,构建16个移动翻转瓶颈卷积模块作为第二模块;
步骤S513,构建一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层作为第三模块。
其中,EfficientNet子模型主要由三模块组成:第一模块由一个卷积核尺寸为3、步距为2的二维卷积层,包括BN批量归一化和Swish激活函数组成。第二模块由16个移动翻转瓶颈卷积模块组成,即MBConv模块。第三模块由一个卷积核尺寸为1、步距为1的二维卷积层,包括BN批量归一化和Swish激活函数;以及一个全局平均池化层和一个全连接层组成。
为了更好地在移动翻转瓶颈卷积模块中对振动数据进行高效处理,在本发明更为优选的情况下,移动翻转瓶颈卷积模块包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层。
为了更有效的提取轴承故障样本中的特征,如图1所示,在本发明更为优选的情况下,在EfficientNet模型中第一模块之后以及第三模块全连接层之前分别添加ECA-Net通道注意力模块。
ECA-Net结合EfficientNet的模型基于PyTorch深度学习框架搭建,智能诊断模型诊断过程中使用CUDA 11.3框架以及cuDNN 8.2.1库加速基于ECA-Net与EfficientNet智能诊断模型的处理过程。
本发明还提供了一种用于执行上述轴承锈蚀智能诊断方法的系统,所述系统包括,
采集单元,用于采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;
截断单元,用于按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;
预处理单元,用于按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;
灰度化处理单元,用于将训练集和测试集数据中的所有样本进行灰度化处理;
初始化单元,用于构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;
参数设置单元,用于将训练集样本输入模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置;
判断单元,用于判断迭代次数是否达到初始设定的值,如否,则重新回到参数设置单元中;若是,则训练过程完成,并保存最优模型;
标签设置单元,用于将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;
输出单元,用于将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。
本发明提供的一种用于执行上述轴承锈蚀智能诊断方法的系统,通过采集单元采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;截断单元中按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;预处理单元中按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;灰度化处理单元中将训练集和测试集数据中的所有样本进行灰度化处理;初始化单元中构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;参数设置单元将训练集样本输入模型中进行训练,损失函数优化神经网络中参数的权重和偏置;判断单元判断迭代次数是否达到初始设定的值,得到最优模型;标签设置单元将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;输出单元将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。该系统能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放,得到更好的智能诊断模型;将ECA-Net通道注意力模块嵌入EfficientNet智能诊断模型中,提高EfficientNet轴承锈蚀智能诊断模型的性能,将该方法和系统用于诊断轴承的锈蚀故障,能够实现对轴承健康状态及锈蚀严重程度进行准确评估,提高智能化和准确率。
为了更好地对轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动状态下进行高效处理,有效地提高基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型预测效率和准确性,通过对网络的深度、宽度以及分辨率这三个维度进行有效缩放,得到了更好的网络模型,在本发明更为优选的情况下,所述初始化单元包括基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,所述基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型包括ECA-Net子模型和EfficientNet子模型,其中,ECA-Net子模型包括,
数据池化模块,用于对输入的特征图进行全局平均池化,将数据降维;
权重设置模块,用于采用一维卷积的方式计算特征向量的重要性,并利用激活函数生成通道间的权重信息;
权重设置模块,用于将通道的权重信息乘以原始输入特征,在通道维度上对原始输入特征的重新标定;
EfficientNet子模型包括,
第一模块,包括一个卷积核尺寸为3、步距为2的二维卷积层;
第二模块,包括16个移动翻转瓶颈卷积模块;
第三模块,包括一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层。
为了更好地在移动翻转瓶颈卷积模块中对振动数据进行高效处理,在本发明更为优选的情况下,移动翻转瓶颈卷积模块至少包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层;
为了更有效的提取轴承故障样本中的特征,在本发明更为优选的情况下,EfficientNet模型中的第一模块之后以及第三模块全连接层之前分别连接ECA-Net通道注意力模块。
本发明还公开了一种电子设备,包括存储器和处理器:所述存储器,用于存储计算机程序;所述处理器,用于当执行计算机程序时,实现上述的轴承智能故障诊断方法。
进一步地,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,该程序被处理器执行时实现本发明提供的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轴承锈蚀智能故障诊断方法,其特征在于,所述轴承锈蚀智能故障诊断方法包括,
步骤S1,采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;
步骤S2,按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;
步骤S3,按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;
步骤S4,将训练集和测试集数据中的所有样本进行灰度化处理;
步骤S5,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;
步骤S6,将训练集样本输入模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置;
步骤S7,判断迭代次数是否达到初始设定的值,如否,则执行步骤S6;若是,则训练过程完成,并保存最优模型;
步骤S8,将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;
步骤S9,将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。
2.根据权利要求1所述的轴承锈蚀智能故障诊断方法,其特征在于,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型过程中包括ECA-Net子模型构建方法,
步骤S501,对输入的特征图进行全局平均池化,将数据降维;
步骤S502,采用一维卷积的方式计算特征向量的重要性,并利用激活函数生成通道间的权重信息;
步骤S503,将通道的权重信息乘以原始输入特征,在通道维度上对原始输入特征的重新标定。
3.根据权利要求2所述的轴承锈蚀智能故障诊断方法,其特征在于,构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型过程中还包括EfficientNet子模型构建方法,
步骤S511,构建一个卷积核尺寸为3、步距为2的二维卷积层作为第一模块;
步骤S512,构建16个移动翻转瓶颈卷积模块作为第二模块;
步骤S513,构建一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层作为第三模块。
4.根据权利要求3所述的轴承锈蚀智能故障诊断方法,其特征在于,移动翻转瓶颈卷积模块包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层。
5.根据权利要求1-4中任意一项所述的轴承锈蚀智能故障诊断方法,其特征在于,在EfficientNet模型中第一模块之后以及第三模块全连接层之前分别添加ECA-Net通道注意力模块。
6.一种用于执行如权利要求1-5中任意一项所述轴承锈蚀智能诊断方法的系统,其特征在于,所述系统包括,
采集单元,用于采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据;
截断单元,用于按初始设定的比例,对采集到的三种状态下的原始振动数据进行分别截断,得到用于训练的数据和用于测试的数据;
预处理单元,用于按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;
灰度化处理单元,用于将训练集和测试集数据中的所有样本进行灰度化处理;
初始化单元,用于构建基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,设置模型中的初始参数;
参数设置单元,用于将训练集样本输入模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置;
判断单元,用于判断迭代次数是否达到初始设定的值,如否,则重新回到参数设置单元中;若是,则训练过程完成,并保存最优模型;
标签设置单元,用于将测试集数据中的所有样本输入最优模型中,输出模型对测试集数据中的每个样本的预测标签;
输出单元,用于将预测标签与训练集中的标签进行比对,判断并输出当前轴承锈蚀的严重程度。
7.根据权利要求6所述的系统,其特征在于,所述初始化单元包括基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型,所述基于ECA-Net与EfficientNet的轴承锈蚀智能诊断模型包括ECA-Net子模型和EfficientNet子模型,其中,ECA-Net子模型包括,
数据池化模块,用于对输入的特征图进行全局平均池化,将数据降维;
权重设置模块,用于采用一维卷积的方式计算特征向量的重要性,并利用激活函数生成通道间的权重信息;
权重设置模块,用于将通道的权重信息乘以原始输入特征,在通道维度上对原始输入特征的重新标定;
EfficientNet子模型包括,
第一模块,包括一个卷积核尺寸为3、步距为2的二维卷积层;
第二模块,包括16个移动翻转瓶颈卷积模块;
第三模块,包括一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层。
8.根据权利要求7所述的系统,其特征在于,移动翻转瓶颈卷积模块至少包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层;
EfficientNet模型中的第一模块之后以及第三模块全连接层之前分别连接ECA-Net通道注意力模块。
9.一种电子设备,其特征在于,包括存储器和处理器:所述存储器,用于存储计算机程序;所述处理器,用于当执行计算机程序时,实现如权利要求1-5中任意一项所述的轴承锈蚀智能诊断方法。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请权利要求1-5中任意一项权利要求所述的轴承锈蚀智能诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211042702.7A CN115406656A (zh) | 2022-08-29 | 2022-08-29 | 轴承锈蚀智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211042702.7A CN115406656A (zh) | 2022-08-29 | 2022-08-29 | 轴承锈蚀智能诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115406656A true CN115406656A (zh) | 2022-11-29 |
Family
ID=84160874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211042702.7A Pending CN115406656A (zh) | 2022-08-29 | 2022-08-29 | 轴承锈蚀智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115406656A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832729A (zh) * | 2017-11-22 | 2018-03-23 | 桂林电子科技大学 | 一种轴承锈蚀智能诊断方法 |
CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112949591A (zh) * | 2021-03-31 | 2021-06-11 | 上海电力大学 | 一种基于深度自编码器的滚动轴承故障诊断方法 |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
US20220269925A1 (en) * | 2019-06-05 | 2022-08-25 | South China University Of Technology | Intelligent fault diagnosis method based on multi-task feature sharing neural network |
-
2022
- 2022-08-29 CN CN202211042702.7A patent/CN115406656A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832729A (zh) * | 2017-11-22 | 2018-03-23 | 桂林电子科技大学 | 一种轴承锈蚀智能诊断方法 |
US20220269925A1 (en) * | 2019-06-05 | 2022-08-25 | South China University Of Technology | Intelligent fault diagnosis method based on multi-task feature sharing neural network |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112949591A (zh) * | 2021-03-31 | 2021-06-11 | 上海电力大学 | 一种基于深度自编码器的滚动轴承故障诊断方法 |
CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
宫文峰;陈辉;张泽辉;张美玲;管聪;王鑫;: "基于改进卷积神经网络的滚动轴承智能故障诊断研究", 振动工程学报, no. 02, 15 April 2020 (2020-04-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Celik | Multiscale change detection in multitemporal satellite images | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN100382600C (zh) | 动态场景下的运动物体检测方法 | |
CN114693624A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN111832228A (zh) | 基于cnn-lstm的振动传递系统 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN111428772A (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
CN115406656A (zh) | 轴承锈蚀智能诊断方法及系统 | |
CN116647644A (zh) | 基于数字孪生技术的校园交互式监控方法以及系统 | |
CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
CN112861874B (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
CN114118159A (zh) | 基于小波灰度卷积的开关柜断路器机械特性诊断方法 | |
Bajwa et al. | PCA based image classification of single-layered cloud types | |
CN113052060A (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
CN116431355B (zh) | 一种基于电力领域超算平台的计算负载预测方法及系统 | |
Hedir et al. | Radar echoes classification based on local descriptor | |
Ghazvineh et al. | 7 Vibration-based damage detection using a novel hybrid CNN-SVM approach | |
CN113744081B (zh) | 窃电行为分析方法 | |
CN115546780B (zh) | 车牌识别方法、模型及装置 |
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 |