CN116226704B 基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方法 （重庆邮电大学）

methodforrotatingmachinerywfusionandimprovedShuffleNetV2.《MeasurementScienc基于多特征融合和改进ShuffleNetV2的船本发明请求保护一种基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方基于降噪信号，进行角域重采样来获取角域信信号融合成R_G_B彩色图像，以降低信号冗余信SE注意力模块，并将ReLU激活函数替换为H_Swish激活函数，以此来提升目标检测中的准确信号输入到改进的ShuffleNetV2中实现故障诊2将时域振动信号特征、角域振动信号特征和包络谱信号特征融合成具有R_G_B三通道的彩2.根据权利要求1所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障的迭代分解直到得到满足第二阶IMF分量条件的分量，然后对N个第二阶IMF分量求平32表示N次加入N种不同的白噪声分解锁得到的第N个第二阶IMF分量的均值；X(t)=IMFr+R.3.根据权利要求2所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障0(3)根据计算所得角域重采样的时间点，而对应的降噪时域振动信号的幅值通过插值44.根据权利要求3所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障(n)=x(n)+jxH[x(n)]5.根据权利要求4所述的基于多特征融合和改进ShufffeNetV2的船舶变转速轴承故障特征融合成具有R_G_B三通道的彩色图像形式2灰度图片进行合并，创建一个新的图像；使用python中自带的PIL库函数的merge(mode，mode描述；所有通道必须有相同的尺寸；变量mode与变量bands的关系可以表示为：len6.根据权利要求5所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障首先，构建ShuffleNet的基本单元，ShuffleNet的基本单元是57.根据权利要求6所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障信道描述符中，具体来说整个图像的HXW空间维度被压缩为ZERC,其中z的第c个元素计个通道依赖的自选门控机制来学习特定样品的权重；该机制学习使用全局信息，使用2δ(W1z))8.根据权利要求7所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障6第一种方法是将SE块平行于身份连接上的网络中的Shuffle单元；第二种方法是将SE9.根据权利要求8所述的基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障将采集的轴承振动信号进行处理，得到降噪时域信号、角域信号故障诊断识别。7一种基于多特征融合和改进ShuffleNetV2的船舶变转速8H_Swish激活函数代替ReLU激活函数，该函数可以有效解决ReLU中会出现的神经元“坏死”为多个分段信号并进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；ShuffleNetV2的分支拼接操作后增加了挤压和激励(SE)块，以提高神经网络的识别精度，[0009]本发明旨在解决以上现有技术的问题。提出了一种基于多特征融合和改进9的原始振动时域信号使用互补集合经验模态分解CEEMD降噪方法，对振动信号进行降噪处N次加入N种不同的白噪声分解锁得到的第N个第一阶IMF分量的均值，Ei表示每次EMD分解[0024](3)将得到的残余量加入新的白噪声继续进行EMD分解，进行步骤(1)的迭代分解[0029](5)对所得到的所有N个第k阶IMF分量求平均值，得到原始振动时域信号的第k+1[0043](2)根据旋转角位移与时间之间的关系，计算出等角度间隔重采样点所对应的时[0045](3)根据计算所得角域重采样的时间点，而对应的降噪时域振动信号的幅值通过[0050](n)=x(n)+jxH[x(n][0052](2)轴承和齿轮的故障信号近似视为CS2信号；采用包络mode描述；所有通道必须有相同的尺寸；变量mode与变量bands的关系可以表示为：len缩到信道描述符中，具体来说整个图像的H×W空间维度被压缩为ZER[0078]第一种方法是将SE块平行于身份连接上的网络中的Shuffle单元；第二种方法是而变转速工况和恒定转速工况不同，变转速工况下故障引起的冲击不再具有周期性特征，速速[0085]图1是本发明提供优选实施例基于多特征融合和改进ShuffleNetV2的船舶变转N次加入N种不同的白噪声分解锁得到的第N个第一阶IMF分量的均值，Ei表示每次EMD分解[0102](3)将得到的残余量加入新的白噪声继续进行EMD分解，进行(1)的迭代分解直到[0107](5)对所得到的所有N个第k阶IMF分量求平均值，得到原始振动时域信号的第k+1[0121](2)根据旋转角位移与时间之间的关系，计算出等角度间隔重采样点所对应的时转角θ在时域信号中所对应的时间节点t：[0123](3)根据计算所得角域重采样的时间点，而对应的降噪时域振动信号的幅值可以[0128](n)=x(n)+jxH[x(n)]张灰度图片进行合并，创建一个新的图像；这里使用python中自带的PIL库函数的merge元的基础上改进而成的；基本单元主要包括：首先是1x1卷积，然后是3x3的深度卷积缩到信道描述符中，具体来说整个图像的H×W空间维度被压缩为ZERC,其中z的第c个元[0153]在构建完SE模块后，将SE模块加入到ShuffleNetV2网络中，将SE块应用于ShuffleNetV2有三种方法：第一种方法是将SE块平行于身份连接上