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

有效

• 申請(qǐng)?zhí)枺?/td>: 202110769220.0
• 申請(qǐng)日: 2021-07-07
• 公開（公告）號(hào): CN113554070B
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）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(qǐng)（專利權(quán)）人: 石家莊鐵道大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): 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(shí)產(chǎn)權(quán)代理有限公司 13151
• 代理人: 王占華

本發(fā)明公開了一種基于過渡概率矩陣和輕量級(jí)網(wǎng)絡(luò)的軸承故障診斷方法，包括如下步驟：通過傳感器采集軸承振動(dòng)信號(hào)；以N個(gè)采樣點(diǎn)為一組對(duì)軸承信號(hào)進(jìn)行劃分；對(duì)每一組采樣點(diǎn)的值域進(jìn)行離散化為Q等份；根據(jù)采樣點(diǎn)和值域Q的映射關(guān)系構(gòu)建轉(zhuǎn)換矩陣W，并通過計(jì)算其過渡概率生成相關(guān)的過渡概率矩陣；將每個(gè)概率沿采樣點(diǎn)順序?qū)R來構(gòu)建MTF矩陣并對(duì)其進(jìn)行可視化；將可視化后的數(shù)據(jù)輸入到輕量級(jí)模塊中進(jìn)行特征圖提取，然后將提取的特征圖通過帶有向不同空間方向上聚合特征的注意力機(jī)制的卷積過程得到對(duì)方向感知和位置敏感的特征圖，并以此進(jìn)行分類預(yù)測(cè)，得到分類結(jié)果并判斷軸承的故障類型。所述方法能夠在獲得較高準(zhǔn)確率的同時(shí)，具有復(fù)雜度低、參數(shù)量少、設(shè)備要求低等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及軸承故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于過渡概率矩陣和輕量級(jí)網(wǎng)絡(luò)的軸承故障診斷方法。

背景技術(shù)

滾動(dòng)軸承在機(jī)械中使用十分廣泛，它是機(jī)械部件的重要組成部分，但是也是機(jī)械中最容易出現(xiàn)故障的部件之一。近年來，國內(nèi)外因?yàn)檩S承故障而發(fā)生的重大事故屢有發(fā)生，造成重大的損失。因此對(duì)軸承進(jìn)行故障診斷就顯得尤為重要，在軸承發(fā)生故障時(shí)能夠及時(shí)的檢測(cè)和維修，對(duì)設(shè)備運(yùn)轉(zhuǎn)的可靠性有很大的幫助，也能避免造成不必要的損失。

對(duì)滾動(dòng)軸承進(jìn)行故障診斷可以采用傳統(tǒng)的方法，但是傳統(tǒng)的方法在特征提取和故障分類手段上對(duì)相關(guān)人員的要求性過高，并且當(dāng)振動(dòng)信號(hào)混雜了噪聲信號(hào)后，特征提取的困難也會(huì)增加，從而可以利用卷積網(wǎng)絡(luò)對(duì)圖像識(shí)別的優(yōu)勢(shì)，將軸承振動(dòng)信號(hào)進(jìn)行可視化后通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，以進(jìn)行故障分類。在深度學(xué)習(xí)中，普通的卷積神經(jīng)網(wǎng)絡(luò)都取得了不錯(cuò)的效果，但是隨著網(wǎng)絡(luò)層數(shù)的加深，模型的復(fù)雜度也越來越高，運(yùn)算量也越來越多，反應(yīng)時(shí)間也會(huì)變長，對(duì)設(shè)備的要求也會(huì)更高。網(wǎng)絡(luò)層數(shù)加深時(shí)還會(huì)出現(xiàn)梯度消失或者梯度爆炸等影響準(zhǔn)確率的問題。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種能夠在獲得較高準(zhǔn)確率的同時(shí)，具有復(fù)雜度低、參數(shù)量少、設(shè)備要求低的軸承故障診斷方法。

為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種基于過渡概率矩陣和輕量級(jí)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(dòng)信號(hào)并以N個(gè)采樣點(diǎn)為一組對(duì)其劃分并構(gòu)建對(duì)應(yīng)的故障標(biāo)簽；

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

對(duì)于每一個(gè)采樣點(diǎn)X_n，都可以被映射到一個(gè)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(0i＝Q)內(nèi)采樣點(diǎn)的下一個(gè)采樣點(diǎn)在值域Q_j(0j＝Q)內(nèi)的個(gè)數(shù)，矩陣每一行的個(gè)數(shù)總和是當(dāng)前值域Q_i內(nèi)采樣點(diǎn)數(shù)的總和；

根據(jù)構(gòu)建的轉(zhuǎn)換矩陣W，通過計(jì)算W_ij值與當(dāng)前值域內(nèi)采樣點(diǎn)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(gè)概率按照采樣點(diǎn)的順序?qū)R來構(gòu)建一個(gè)N*N的MTF矩陣；對(duì)于MTF矩陣的M_ij(0i＝N；0j＝N)的值是過渡概率矩陣中采樣點(diǎn)i處于的值域Q_i轉(zhuǎn)變?yōu)椴蓸狱c(diǎn)j處于的值域Q_j的過渡概率值；

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(jí)網(wǎng)絡(luò)；

利用部分過渡概率矩陣成像數(shù)據(jù)集對(duì)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(duì)其余的成像數(shù)據(jù)集進(jìn)行分類，得到分類結(jié)果；