CN119442026A 基于多通道自适应融合的滚动轴承故障诊断方法及系统 （兰州理工大学）

基于多通道自适应融合的滚动轴承故障诊本发明公开了一种基于多通道自适应融合模块提取二维灰度图的特征信息并进行自适应特征图的空间位置和通道信息，输出第二特征噪声干扰强和负载变化大导致模型故障诊断效2多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息的重双注意力空洞卷积模块提取第一多尺度特征图的空间位置和通道信残差密集模块通过残差连接以及密集连接对第二特征图进行深度2.根据权利要求1所述的基于多通道自适应融合的滚动轴承故障诊断方法，其特征在3.根据权利要求1所述的基于多通道自适应融合的滚动轴承故障诊断方法，其特征在ReLU激活层对归一化后的特征图进行R通道注意力层加权激活后的特征图，根据各个通道的重要性进行加权4.根据权利要求1所述的基于多通道自适应融合的滚动轴承故障诊断方法，其特征在通过三组卷积层分别提取不同的深度特征，并在第一组卷积层的输通过Softmax层输出滚动轴承故障诊断分5.根据权利要求1所述的基于多通道自适应融合的滚动轴承故障诊断方法，其特征在3信号采集及预处理模块：用于获取一维振动加速度信号并进行卷积神经网络模型处理模块：用于将二维灰度图输入至卷积神经网络模型中进行处多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息的重双注意力空洞卷积模块提取第一多尺度特征图的空间位置和通道信残差密集模块通过残差连接以及密集连接对第二特征图进行深度7.根据权利要求6所述的基于多通道自适应融合的滚动轴承故障诊断系统，其特征在8.根据权利要求6所述的基于多通道自适应融合的滚动轴承故障诊断系统，其特征在ReLU激活层对归一化后的特征图进行R9.根据权利要求6所述的基于多通道自适应融合的滚动轴承故障诊断系统，其特征在4三组卷积层分别提取不同的深度特征，并在第一组卷积层的输出分5不能获得更高的故障诊断准确率。而且忽略了在噪声干扰下特征信息提取不充分的问题，[0010]多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息6[0020]优选的，双注意力空洞卷积模块提取第一多尺度特征图[0022]最大池化层和均值池化层分别对空洞卷积后的特征图进行最大池化和均值池化[0041]多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息7[0053]最大池化层和均值池化层分别对空洞卷积后的特征图进行最大池化和均值池化8[0084]图9为本发明提供的噪声环境下1130r/min转速时加入5.1kg负载的故障诊断结9[0090]多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息[0110]最大池化层和均值池化层分别对空洞卷积后的特征图进行最大池化和均值池化[0114]将加权后的特征图与另外两路空洞卷积后的特征图合并，生成最终的第二特征意力机制通过动态调整每个通道的权重，使得网络能够聚焦于那些对任务更为关键的特通道注意机制对全局信息进行建模来生成通道注[0122]Softmax函数是一种常用于多分类任务中的激活函数，特别是在神经网络的输出Softmax函数非常适合用于表示类别概率，因为它的输出可以直接解释为每个类别的概率[0125]对采集的一维振动加速度信号进行归一化处理，得到归一化后的振动加速度信[0136]将训练集中的二维灰度图与对应的训练标签一起输入到构建的卷积神经网络模[0138]为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行实验验噪性和泛化能力对于轴承故障诊断至关重要。将变工况数据集按照3:1的比例划分为训练[0145]分别是WDCNN(见文献BeibeiM,YanxiaS,DinghuiW,etal.Three_levelinverterfaultdiagnosisusingEMDandsupportvectormachineapproach[C]//201712thIEEEConferenceonIndustrialElectronicsandApplications(ICIEA)[0146]ECA_ResNet(见文献VandenHoogenJOD,BloemheuvelSD,AtzmuellerM.Animprovedwide_kernelCNNforclassifyingmultivariatesignalsinfaultdiagnosis[C]//2020InternationalConferenceonDataMiningWorkshops(ICDMW)[0147]1DCNN(见文献SunS,ZhangT,LiQ,etal.Faultdiagnosisofconventionalcircuitbreakercontactsystembasedontime_frequencyanalysisandimprovedAlexNet[J].IEEETransactionsonInstrumentationandMeasurement,2020,70:1_在信噪比为0dB时准确率高于96损失值收敛到0.009，而在其它噪声条件下损失值几乎[0149]在强噪声与多负载混合环境下的实验结果如图5所示，本发明所提出的神经网络[0154]在表2中，1DCNN、WDCNN和ECA_ResNet在信噪比为0dB时准确率分别为44.34％、速1130r/min时且信噪比为0dB下准确率达到97.5％以上，较WDCNN提高了15.1较ECA_ResNet提高了16.4较1DCNN也有明显的提升。[0157]图9为噪声环境下转速为1130r/min时加入5.1kg负载的故障诊断结果，由图9可[0169]表3为1HP负载下信噪比为3dB时的数据进行实验的结果，可知本发明方法有较好承由于噪声干扰强和负载变化大导致模型故障诊断效果低和泛化[0174]多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息[0179]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发