【技術實現步驟摘要】
本專利技術屬于機械設備部件故障診斷，涉及一種設備故障監測診斷的方法和系統，具體涉及一種便攜式故障監測診斷儀器，特別涉及一種基于輕量化的卷積神經網絡的故障診斷方法。
技術介紹
1、隨著工業自動化水平的不斷提高，大量的機械設備和系統被廣泛應用于工業生產中。其核心部件一旦發生故障，將嚴重影響生產效率和安全性。傳統的故障診斷方法通常依賴于專業人員的經驗和知識，存在診斷效率低、成本高等問題。而隨著工業現代化、信息化進程的加速以及機器學習等技術的飛速發展，深度學習作為機器學習最熱門的分支，因為強大的數據處理和特征學習能力以及架構創新等因素在故障診斷領域使用廣泛。隨著深度學習的模型結構不斷加深，故障診斷的準確度隨之提高，然而參數量、計算量和訓練所需的資源也開始顯著增加，使得深度學習模型難以部署在移動設備和嵌入式設備上，導致其無法直接應用于實際工業裝備的故障診斷。
2、因此，需要設計計算量低、模型結構輕巧、可移植性強的輕量化模型，使其在具有較高精度的前提下，快速有效的識別設備故障；同時，針對工業設備故障診斷成本高、效率低、操作復雜的問題，需開發一種便攜式故障監測診斷儀器用于生產現場簡便、快捷的故障診斷。為此，我們提出一種機械設備部件故障監測診斷的輕量化方法與系統，為工業生產提供保障，推動工業生產的智能化和自動化發展，具有重要的實際意義。
技術實現思路
1、本專利技術的目的在于提供一種機械設備部件故障監測診斷的輕量化方法、系統及儀器。該方法針對上述
技術介紹
中提出的工業設備故障診斷成本高、
2、所述系統由信號采集模塊、模型訓練模塊、智能診斷模塊、數據和模型存儲模塊以及人機交互模塊共同組成，將傳感器采集到的振動信號經數據預處理后輸入到構建的輕量化卷積神經網絡中，完成訓練的模型可對其進行快速診斷，從而輸出該部件當前的健康狀態，該系列動作均通過人機交互模塊實現用戶對儀器地操作和儀器對用戶的反饋。本專利技術以應用于實際工業生產中為目的，能夠實時診斷機械設備部件的健康狀態，輔助設備維護人員進行故障監測。
3、為了實現上述目的，本專利技術提供如下技術方案：
4、第一方面，本專利技術提供一種機械設備部件故障監測診斷的輕量化方法，包括：
5、獲取機械設備部件不同健康狀態下的設備振動信號；
6、將振動信號導入處理器進行預處理作為模型的輸入：為了取消各維數據之間的數量級差別，避免因為輸入輸出數據數量級差別大而造成網絡預測誤差，根據公式(1)對獲取到的原始數據進行歸一化處理，獲得范圍在[0,1]的數據x′。
7、
8、其中，x是原始數據，x′是歸一化后的數據，min(x)和max(x)分別是原始數據的最小值和最大值；采用重疊采樣的方式，每次截取4096個采樣點為一組作為單個樣本序列，并將每段一維原始信號轉化為一個大小為64×64的二維灰度圖樣本，遍歷整段信號數據后生成樣本，作為模型訓練的輸入；
9、構建輕量化卷積神經網絡：所述輕量化卷積神經網絡包括特征提取模塊、特征增強模塊和分類模塊；所述特征提取模塊由一個標準卷積和一個深度可分離卷積構成，所述特征增強模塊由兩個倒置殘差結構和一個點卷積構成，所述分類模塊由一個全連接層和一個softmax分類器構成；
10、更新模型參數，進行模型訓練：將制作好的樣本劃分為訓練集和測試集，輸入網絡模型中進行訓練，每輪訓練結束后根據公式(2)所得交叉熵損失值進行反向傳播，不斷調整訓練參數。當迭代至所設定的最終迭代次數后，完成模型的訓練。
11、
12、其中，c為所分類別數，β為輸入數據，βi表示真實標簽的第i個元素，γi表示模型預測β屬于第i個類別的概率。
13、進一步地，所述輕量化卷積神經網絡的構建，具體包括：
14、所述特征提取模塊首先使用卷積核大小為3×3、填充為1、步長為2的標準卷積層，對輸入數據執行初始卷積操作，以提取低級的特征信息；在卷積操作后，將輸出數據輸入到批量歸一化層中，對每個特征通道進行標準化，使得其均值為0，方差為1；在批量歸一化層之后，應用relu激活函數，將所有負值設為零，并保持所有正值不變，該過程如公式(3)所示：
15、y1＝max{h(f3(x)),0}?(3)
16、其中，x表示輸入數據，f3()代表3×3標準卷積操作，h()代表批量歸一化操作，relu激活函數公式為max{x,0}，y1表示標準卷積后的輸出特征。提取到的特征信息輸入到由一個卷積核大小為3×3、填充為1、步長為1、分組數為32的深度卷積層和一個1×1卷積核、無填充、步長為1的點卷積層組成的深度可分離卷積進行進一步提取特征，計算過程如公式(4)所示，該特征提取模塊在有效提取特征的同時大幅度減少了參數數量和運算成本。
17、
18、其中，y1表示輸入特征，代表3×3深度卷積操作，代表1×1點卷積操作，y2表示特征提取模塊的輸出特征。
19、所述特征增強模塊，是為了保持計算效率的同時學習到更豐富的特征表示，以進一步特征信息提取。特征提取模塊的輸出特征首先通過第一個倒置殘差結構，在該結構中，特征先通過一個卷積核大小為1×1、無填充、步長為1的輕量級擴張卷積層增加感受野，而無需增加額外的參數；之后通過一個卷積核大小為3×3、填充為1、步長為2、分組數為48，對每個輸入通道獨立地進行卷積；最后通過一個1×1卷積核、無填充、步長為1的點卷積層，混合通道信息，減少通道數。計算過程如公式(5)所示：
20、
21、其中，y2表示輸入特征，代表1×1輕量級擴張卷積操作，y3表示特征增強模塊第一個倒置殘差結構的輸出特征。同樣，第二個倒置殘差結構由一個1×1卷積核、無填充、步長為1的輕量級擴張卷積層、一個卷積核大小為5×5、填充為2、步長為2、分組數為72的深度卷積層和一個卷積核大小為1×1、無填充、步長為1的點卷積層的依次疊加而成，學習深層特征的同時進一步優化計算效率。計算過程如公式(6)所示：
22、
23、其中，y3表示輸入特征，代表5×5深度卷積操作，y4表示特征增強模塊第二個倒置殘差結構的輸出特征。經過兩個倒置殘差結構的輸出特征輸入到一個卷積核大小為1×1的點卷積層進行升維操作，計算過程如公式(7)所示。
24、
25、其中，y4表示輸入特征，y5表示特征增強模塊的輸出特征。
26、所述分類模塊由全連接層和分類器對故障類型進行分類，輸出類別結果。
27、第二方面，本專利技術提供一種機械設備部件故障監測診斷系統和儀器，包括：
28、信號采集模塊，用于實時采集機械設備的振動信號本文檔來自技高網...
【技術保護點】
1.一種機械設備部件故障監測診斷的輕量化系統，其特征在于，包括：
2.應用如權利要求1所述系統的方法，其特征在于，包括：
3.一種機械設備部件故障監測診斷儀器，用于實現權利要求2所述的輕量化方法，其特征在于：包括傳感器、模數轉換器、處理器、顯示器和外殼；
【技術特征摘要】
1.一種機械設備部件故障監測診斷的輕量化系統，其特征在于，包括：
2.應用如權利要求1所述系統的方法，其特征在于，包括：
...【專利技術屬性】
技術研發人員：王華慶，李佳慧，宋瀏陽，付振寶，韓長坤，
申請(專利權)人：北京化工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。