[發明專利]基于SE-NET和CNN的滾動軸承故障診斷方法

在審

• 申請號: 202211345836.6
• 申請日: 2022-10-31
• 公開（公告）號: CN115758108A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 吳聰;李琨
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/2433;G06N3/0464;G06N3/048;G01M13/04;G01M13/045
• 代理公司: 昆明金科智誠知識產權代理事務所(普通合伙) 53216
• 代理人: 胡亞蘭

本發明公開了一種基于SE?NET和CNN的滾動軸承故障診斷方法，先將數據通過SE?NET模塊處理，處理后的數據傳輸到卷積神經網絡當中，輸出診斷結果。本發明通過SE?NET處理后的數據，重要特征權重增加，無用特征權重減少，將處理后的數據傳入到卷積神經網絡當中，準確率達到99.80％，明顯高于傳統的卷積神經網絡的故障識別率。

技術領域

本發明涉及滾動軸承故障分析技術領域，特別涉及基于SE-NET和CNN的滾動軸承故障診斷方法。

背景技術

滾動軸承作為旋轉機械的重要組成部分，承擔著轉子和定子的連接功能，其運行狀態對旋轉機械能否長周期穩定工作有著重要影響，滾動軸承大多工作在載荷多變、工況惡劣的環境中，會導致故障的發生甚至可能引起重大的安全事故，對其進行故障診斷有著重要的理論和實際意義。

當滾動軸承產生局部故障缺陷時，轉動過程中故障與軸承其他部位沖擊產生高頻共振衰減振動對故障診斷的價值并非完全相同，現有技術未對這些特征的重要程度進行衡量，而且識別性能差，模型復雜度高，為了更加準確地診斷出滾動軸承的運行狀態，提出了一種基于SE-NET和CNN的滾動軸承故障診斷方法。

發明內容

本發明的目的是提供基于SE-NET和CNN的滾動軸承故障診斷方法，解決現有技術未對特征的重要程度進行衡量，而且識別性能差，模型復雜度高的問題。

本發明的上述技術目的是通過以下技術方案得以實現的：

一種基于SE-NET和CNN的滾動軸承故障診斷方法，先將數據通過SE-NET模塊處理，處理后的數據傳輸到卷積神經網絡當中，輸出診斷結果。

本發明的進一步改進在于：SE-NET模塊的工作過程分為三個步驟：壓縮、激發和乘積；

壓縮操作為1×1×C的向量，其中每個通道的二維特征圖壓縮成一個具有全局感受野的通道特征響應值，其計算過程如下：

本發明的進一步改進在于：SE-NET模塊的工作過程包括以下操作：

壓縮操作：沿著特征通道的方向將H×W×C維的特征圖通過全局平均池化式中，u_c(v,w)為v×w通道的二維矩陣；v＝1，2，…，H；c為壓縮通道的第c個元素；z_c為壓縮后的輸出；

激發操作：使用兩個全連接層和一個sigmoid激活函數來參數化門控機制，具體實現過程如下：

s_c＝σ(w₂δ(w₁z_c))

式中，σ為sigmoid函數；δ為Relu激活函數；w₁，w₂為2個全連接層的權重；s_c為激發操作后的輸出；

乘積操作：經過上述操作得到的通道權重利用乘法逐通道加權到原來的特征上，從而在通道維度上實現對原始特征的重新分配，計算公式如下：

式中，為乘積后的輸出。

卷積神經網絡是以Pytorch為框架搭建的一維多尺度卷積神經網絡，輸入的數據為一維，經過多個通道進行卷積，池化處理最后再連接在一起。

本發明的進一步改進在于：一維多尺度卷積神經網絡包括：

一維卷積層是將上一個環節輸入的信號通過多個卷積核進行卷積運算，然后通過激活函數得到輸入到下一個環節的激活值；

池化層負責將上一層傳來的數據進行降維；

多尺度就是有多個一維卷積層進行的組合。