【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及深度學(xué)習(xí)，特別涉及一種軸承故障檢測(cè)系統(tǒng)、方法、設(shè)備及介質(zhì)。
技術(shù)介紹
1、目前通常軸承故障診斷使用兩種方法：(1)非端到端神經(jīng)網(wǎng)絡(luò)模型：將傳感器信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，例如通過(guò)連續(xù)小波變換轉(zhuǎn)換為時(shí)頻圖像，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)進(jìn)行處理；(2)端到端神經(jīng)網(wǎng)絡(luò)模型：將傳感器信號(hào)直接進(jìn)行算法處理，例如傳統(tǒng)transformer算法(基于自注意力機(jī)制的一個(gè)深度學(xué)習(xí)模型)。缺點(diǎn)如下：現(xiàn)有的軸承故障診斷方法需要高度專(zhuān)業(yè)的技術(shù)知識(shí)和經(jīng)驗(yàn)來(lái)實(shí)施，軸承故障檢測(cè)比較復(fù)雜和難以操作，生成并訓(xùn)練模型需要消耗大量的計(jì)算資源，增加成本，并且現(xiàn)有的軸承故障檢測(cè)方法的可行性較低，并且實(shí)際工業(yè)環(huán)境中存在各種噪音源，現(xiàn)有技術(shù)中無(wú)法有效應(yīng)對(duì)噪音，從而會(huì)導(dǎo)致出現(xiàn)軸承故障漏報(bào)或誤報(bào)的情況。
2、由上可見(jiàn)，如何提高軸承故障檢測(cè)的適用性，降低部署成本，提高設(shè)備可靠性以及軸承故障檢測(cè)的準(zhǔn)確性和效率，減少軸承故障誤報(bào)漏報(bào)的情況是本領(lǐng)域有待解決的問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，本專(zhuān)利技術(shù)的目的在于提供一種軸承故障檢測(cè)系統(tǒng)、方法、設(shè)備及介質(zhì)，能夠提高軸承故障檢測(cè)的適用性，降低部署成本，提高設(shè)備可靠性以及軸承故障檢測(cè)的準(zhǔn)確性和效率，減少軸承故障誤報(bào)漏報(bào)的情況。其具體方案如下：
2、第一方面，本申請(qǐng)公開(kāi)了一種軸承故障檢測(cè)系統(tǒng)，應(yīng)用于預(yù)設(shè)的時(shí)頻雙注意力算法模型，包括：
3、多時(shí)頻特征提取模塊，用于獲取多時(shí)頻的傳感器信號(hào)數(shù)據(jù)，根據(jù)預(yù)設(shè)的特征提取尺度對(duì)所述傳感器信號(hào)數(shù)據(jù)進(jìn)行特征提取，以得到特征
4、雙尺度時(shí)頻注意力計(jì)算模塊，用于對(duì)所述特征信息分別進(jìn)行時(shí)間尺度計(jì)算和頻率尺度計(jì)算，以得到時(shí)間尺度注意力權(quán)值和頻率尺度注意力權(quán)值，對(duì)所述時(shí)間尺度注意力權(quán)值和所述頻率尺度注意力權(quán)值進(jìn)行交叉融合及特征映射操作，以得到目標(biāo)特征；
5、檢測(cè)結(jié)果輸出模塊，用于基于所述目標(biāo)特征生成并輸出軸承故障檢測(cè)結(jié)果。
6、可選的，所述多時(shí)頻特征提取模塊，包括：
7、數(shù)據(jù)獲取模塊，用于獲取各振動(dòng)傳感器發(fā)送的多時(shí)頻的所述傳感器信號(hào)數(shù)據(jù)；
8、尺度計(jì)算模塊，用于基于預(yù)設(shè)的特征提取尺度范圍計(jì)算所述特征提取尺度；
9、特征信息確定模塊，用于按照不同頻域并根據(jù)所述特征提取尺度對(duì)多時(shí)頻的所述傳感器信號(hào)數(shù)據(jù)進(jìn)行特征提取，以得到所述特征信息。
10、可選的，所述雙尺度時(shí)頻注意力計(jì)算模塊，包括：
11、時(shí)間注意力計(jì)算模塊，用于對(duì)所述特征信息進(jìn)行時(shí)間尺度計(jì)算，以得到所述時(shí)間尺度注意力權(quán)值；
12、頻率注意力計(jì)算模塊，用于對(duì)所述特征信息進(jìn)行頻率尺度計(jì)算，以得到所述頻率尺度注意力權(quán)值；
13、交叉融合及特征映射模塊，用于對(duì)所述時(shí)間尺度注意力權(quán)值和所述頻率尺度注意力權(quán)值進(jìn)行交叉融合及特征映射操作，以得到所述目標(biāo)特征。
14、可選的，所述時(shí)間注意力計(jì)算模塊，包括：
15、通道維度轉(zhuǎn)換模塊，用于對(duì)所述特征信息進(jìn)行維度轉(zhuǎn)換，以得到特征圖；
16、注意力分量計(jì)算模塊，用于對(duì)所述特征圖進(jìn)行注意力機(jī)制的分量特征圖計(jì)算，以得到分量特征圖；
17、特征圖維度轉(zhuǎn)變模塊，用于對(duì)所述分量特征圖進(jìn)行維度轉(zhuǎn)變，以得到轉(zhuǎn)變后的所述分量特征圖；
18、時(shí)間尺度注意力權(quán)值計(jì)算模塊，用于通過(guò)多層感知機(jī)并利用預(yù)設(shè)的激活函數(shù)對(duì)轉(zhuǎn)變后的所述分量特征圖進(jìn)行權(quán)值計(jì)算，以得到所述時(shí)間尺度注意力權(quán)值。
19、可選的，所述頻率注意力計(jì)算模塊，包括：
20、信息維度轉(zhuǎn)換模塊，用于通過(guò)全局平均池化層對(duì)所述特征信息進(jìn)行維度轉(zhuǎn)換，以得到轉(zhuǎn)換后的所述特征信息；
21、信息特征提取模塊，用于利用全局平均池化對(duì)轉(zhuǎn)換后的所述特征信息進(jìn)行提取，以得到各特征分?jǐn)?shù)；
22、頻率尺度注意力權(quán)值計(jì)算模塊，用于對(duì)各所述特征分?jǐn)?shù)進(jìn)行權(quán)值計(jì)算，以得到所述頻率尺度注意力權(quán)值。
23、可選的，所述交叉融合及特征映射模塊，包括：
24、交叉融合模塊，用于通過(guò)預(yù)設(shè)的映射模塊和頻率注意力模塊將所述時(shí)間尺度注意力權(quán)值和所述頻率尺度注意力權(quán)值進(jìn)行融合，以得到融合后的權(quán)值；
25、特征映射模塊，用于利用高斯誤差線性單元激活函數(shù)對(duì)融合后的所述權(quán)值進(jìn)行特征映射及批次歸一化操作，以得到所述目標(biāo)特征。
26、可選的，所述檢測(cè)結(jié)果輸出模塊，包括：
27、結(jié)果生成模塊，用于利用多層感知機(jī)和隱藏層對(duì)目標(biāo)特征進(jìn)行結(jié)果轉(zhuǎn)換，以生成軸承故障檢測(cè)結(jié)果；
28、結(jié)果輸出模塊，用于利用softmax函數(shù)輸出所述軸承故障檢測(cè)結(jié)果。
29、第二方面，本申請(qǐng)公開(kāi)了一種軸承故障檢測(cè)方法，包括：
30、獲取多時(shí)頻的傳感器信號(hào)數(shù)據(jù)，根據(jù)預(yù)設(shè)的特征提取尺度對(duì)所述傳感器信號(hào)數(shù)據(jù)進(jìn)行特征提取，以得到特征信息；
31、對(duì)所述特征信息分別進(jìn)行時(shí)間尺度計(jì)算和頻率尺度計(jì)算，以得到時(shí)間尺度注意力權(quán)值和頻率尺度注意力權(quán)值，對(duì)所述時(shí)間尺度注意力權(quán)值和所述頻率尺度注意力權(quán)值進(jìn)行交叉融合及特征映射操作，以得到目標(biāo)特征；
32、基于所述目標(biāo)特征生成并輸出軸承故障檢測(cè)結(jié)果。
33、第三方面，本申請(qǐng)公開(kāi)了一種電子設(shè)備，包括：
34、存儲(chǔ)器，用于保存計(jì)算機(jī)程序；
35、處理器，用于執(zhí)行所述計(jì)算機(jī)程序，以實(shí)現(xiàn)前述的軸承故障檢測(cè)方法。
36、第四方面，本申請(qǐng)公開(kāi)了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，用于保存計(jì)算機(jī)程序；其中，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述公開(kāi)的軸承故障檢測(cè)方法的步驟。
37、可見(jiàn)，本申請(qǐng)?zhí)峁┝艘环N軸承故障檢測(cè)系統(tǒng)，包括多時(shí)頻特征提取模塊，用于獲取多時(shí)頻的傳感器信號(hào)數(shù)據(jù)，根據(jù)預(yù)設(shè)的特征提取尺度對(duì)所述傳感器信號(hào)數(shù)據(jù)進(jìn)行特征提取，以得到特征信息；雙尺度時(shí)頻注意力計(jì)算模塊，用于對(duì)所述特征信息分別進(jìn)行時(shí)間尺度計(jì)算和頻率尺度計(jì)算，以得到時(shí)間尺度注意力權(quán)值和頻率尺度注意力權(quán)值，對(duì)所述時(shí)間尺度注意力權(quán)值和所述頻率尺度注意力權(quán)值進(jìn)行交叉融合及特征映射操作，以得到目標(biāo)特征；檢測(cè)結(jié)果輸出模塊，用于基于所述目標(biāo)特征生成并輸出軸承故障檢測(cè)結(jié)果。本申請(qǐng)應(yīng)用于預(yù)設(shè)的時(shí)頻雙注意力算法模型，適用于邊緣設(shè)備和資源受限的環(huán)境，提高設(shè)備可靠性，利用多時(shí)頻特征提取模塊對(duì)傳感器信號(hào)數(shù)據(jù)進(jìn)行特征提取，能夠減少軸承故障誤報(bào)漏報(bào)的情況，利用雙尺度時(shí)頻注意力計(jì)算模塊對(duì)特征信息分別進(jìn)行時(shí)間尺度計(jì)算和頻率尺度計(jì)算，對(duì)時(shí)間尺度注意力權(quán)值和頻率尺度注意力權(quán)值進(jìn)行交叉融合及特征映射操作，得到目標(biāo)特征，所以能夠提高軸承故障檢測(cè)的準(zhǔn)確性和效率，降低部署成本，利用檢測(cè)結(jié)果輸出模塊生成并輸出軸承故障檢測(cè)結(jié)果，并且本申請(qǐng)還能提前診斷軸承故障問(wèn)題，從而延長(zhǎng)工業(yè)設(shè)備壽命，降低維護(hù)成本。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種軸承故障檢測(cè)系統(tǒng)，其特征在于，應(yīng)用于預(yù)設(shè)的時(shí)頻雙注意力算法模型，包括：
2.根據(jù)權(quán)利要求1所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述多時(shí)頻特征提取模塊，包括：
3.根據(jù)權(quán)利要求1所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述雙尺度時(shí)頻注意力計(jì)算模塊，包括：
4.根據(jù)權(quán)利要求3所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述時(shí)間注意力計(jì)算模塊，包括：
5.根據(jù)權(quán)利要求3所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述頻率注意力計(jì)算模塊，包括：
6.根據(jù)權(quán)利要求3所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述交叉融合及特征映射模塊，包括：
7.根據(jù)權(quán)利要求1至6任一項(xiàng)所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述檢測(cè)結(jié)果輸出模塊，包括：
8.一種軸承故障檢測(cè)方法，其特征在于，應(yīng)用于預(yù)設(shè)的時(shí)頻雙注意力算法模型，包括：
9.一種電子設(shè)備，其特征在于，包括：
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，用于保存計(jì)算機(jī)程序；其中，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求8所述的軸承故障檢測(cè)方法。
【技術(shù)特征摘要】
1.一種軸承故障檢測(cè)系統(tǒng)，其特征在于，應(yīng)用于預(yù)設(shè)的時(shí)頻雙注意力算法模型，包括：
2.根據(jù)權(quán)利要求1所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述多時(shí)頻特征提取模塊，包括：
3.根據(jù)權(quán)利要求1所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述雙尺度時(shí)頻注意力計(jì)算模塊，包括：
4.根據(jù)權(quán)利要求3所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述時(shí)間注意力計(jì)算模塊，包括：
5.根據(jù)權(quán)利要求3所述的軸承故障檢測(cè)系統(tǒng)，其特征在于，所述頻率注意力計(jì)算模塊，包括：
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：許兆，賈志洋，魏燚偉，高增偉，孫家航，
申請(qǐng)(專(zhuān)利權(quán))人：中國(guó)石油大學(xué)北京，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。