[發(fā)明專利]基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110769220.0
• 申請日: 2021-07-07
• 公開（公告）號: CN113554070B
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計）人: 趙志宏;李春秀;孫詩勝;楊紹普;張然;顧曉輝;劉澤潮;李鶴飛;陳恩利
• 申請（專利權(quán)）人: 石家莊鐵道大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/44;G06V10/82;G06F16/904;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 河北冀華知識產(chǎn)權(quán)代理有限公司 13151
• 代理人: 王占華

1.一種基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于包括如下步驟：

通過傳感器連續(xù)采集不同故障類型的軸承振動信號并以N個采樣點為一組對其劃分并構(gòu)建對應(yīng)的故障標(biāo)簽；

對劃分的采樣點進(jìn)行序列標(biāo)注，序列表示為X_n，其中0n＝N；并將這一組內(nèi)采樣點的值域進(jìn)行離散化為Q等份，表示為Q_j，其中0j＝Q；

對于每一個采樣點X_n，都可以被映射到一個相應(yīng)的值域Q_j內(nèi)，以此來構(gòu)建Q*Q的轉(zhuǎn)換矩陣W；轉(zhuǎn)換矩陣W第i行j列元素W_ij代表的是：值域Q_i內(nèi)采樣點的下一個采樣點在值域Q_j內(nèi)的個數(shù)，矩陣每一行的個數(shù)總和是當(dāng)前值域Q_i內(nèi)采樣點數(shù)的總和，其中0i＝Q；

根據(jù)構(gòu)建的轉(zhuǎn)換矩陣W，通過計算W_ij值與當(dāng)前值域內(nèi)采樣點數(shù)總和的比值來獲得Q_i內(nèi)的值轉(zhuǎn)變?yōu)镼_j內(nèi)的值的過渡概率，并以此生成過渡概率矩陣；

根據(jù)生成的過渡概率矩陣，將每個概率按照采樣點的順序?qū)R來構(gòu)建一個N*N的MTF矩陣；對于MTF矩陣中M_ij的值是過渡概率矩陣中采樣點i處于的值域Q_i轉(zhuǎn)變?yōu)椴蓸狱cj處于的值域Q_j的過渡概率值，其中0i＝N；0j＝N；

將生成的MTF矩陣進(jìn)行可視化；

利用線性操作生成特征圖構(gòu)建輕量級網(wǎng)絡(luò)；

利用部分過渡概率矩陣成像數(shù)據(jù)集對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的故障分類器；

利用訓(xùn)練好的故障分類器對其余的成像數(shù)據(jù)集進(jìn)行分類，得到分類結(jié)果；

根據(jù)分類結(jié)果判斷軸承的故障類型。

2.如權(quán)利要求1所述的基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于：所述輕量級網(wǎng)絡(luò)包括：2個3*3卷積層、2個輕量級a卷積層、1個輕量級b卷積層、2個1*1卷積層以及全連接層，第一個3*3卷積層的輸入端為所述輕量級網(wǎng)絡(luò)的輸入端，該3*3卷積層的輸出端分別進(jìn)入兩個分支，第一分支依次經(jīng)過1個輕量級a卷積層、2個1*1卷積層、1個輕量級a卷積層，所述的第一個3*3卷積層的輸出端的第二分支直接與第二個輕量級a卷積層的輸出端連接，所述與第二個輕量級a卷積層的輸出端經(jīng)一個輕量級b卷積層后與第二個3*3卷積層的輸入端連接，所述第二個3*3卷積層的輸出端與所述全連接層的輸入端連接；輸入的數(shù)據(jù)通過第一個3*3卷積層進(jìn)入多分支，一個分支經(jīng)過第一個輕量級a卷積層，兩層1*1卷積層后經(jīng)過第二個輕量級a卷積層輸出后和另一分支進(jìn)行Concat操作；Concat操作之后進(jìn)入輕量級b卷積層，然后進(jìn)入一個3*3的卷積層，之后經(jīng)過全連接層進(jìn)行分類。

3.如權(quán)利要求2所述的基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于，所述輕量級a卷積層利用線性生成特征圖的方法是：對于輸入的特征圖，先使用卷積對其生成一部分的特征圖m，然后特征圖m經(jīng)過線性操作后生成幻影特征圖m’，將特征圖m和幻影特征圖m’經(jīng)過concat后生成最終需要的全部特征圖n。

4.如權(quán)利要求3所述的基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于：生成特征圖m時采用的卷積是pointwise卷積，其中特征圖m＝0.5*n，生成幻影特征圖m’采用的線性運算是混合DepthWise卷積操作。

5.如權(quán)利要求3所述的基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于：輕量級a卷積層中線性生成特征圖中線性運算過程的線性內(nèi)核采用混合內(nèi)核，3*3和5*5以及7*7三種不同大小的內(nèi)核混合使用。

6.如權(quán)利要求3所述的基于過渡概率矩陣和輕量級網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于：輕量級b卷積層中融合注意力機(jī)制，輕量級b卷積層的特征圖生成過程如下：

對于輸入的特征圖，先使用卷積對其生成一半的特征圖m，對生成的特征圖m進(jìn)行編碼使其獲得對方向感知和位置敏感的注意力特征圖m’，之后將特征圖m’和m進(jìn)行concat后生成最終需要的特征圖n。