CN114266269A - 一种轴承故障诊断方法、***、存储介质及设备 - Google Patents

Abstract

本发明的一种轴承故障诊断方法、***、存储介质及设备，通过计算机设备执行以下步骤，获取故障发生处的N个传感器的振动信号数据s₁,s₂,…s_N，构建注意力模块ATT，增加有效信息的权值；对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；利用卷积层构建特征提取器，并输出预测结果。本发明通过提取N个维度的振动信号并加以融合，同时利用注意力机制增加有效信息的权值，使该深度网络具有很好的鲁棒性。

Description

一种轴承故障诊断方法、***、存储介质及设备

技术领域

本发明涉及轴承的故障诊断技术领域，具体涉及一种轴承故障诊断方法、***、存储设备及设备。

背景技术

近年来，轴承作为智能制造中的重要部件，得到了广泛的应用。轴承在机器运行的过程中一旦损坏，会造成旋转机器中传动部分的故障，由此会产生影响整条生产线的振动，带来经济上的损失以及安全的隐患。因此，轴承的故障诊断智能制造产业中有着举足轻重的地位，一个好的故障诊断方法可以带来巨大的经济效益和安全保障。深度学习作为一种融合了特征提取和分类的方法，为轴承故障诊断提供了一种端到端的解决方案。

考虑到传统的故障诊断方法仅仅针对一个维度的振动信号进行采样，不能够很好的利用到全部有效信息。同时，传统故障诊断方法对于给定的振动信号，不能够很好的选取对任务有用的信息，造成诊断精度不高。

发明内容

本发明提出的一种轴承故障诊断方法、***、存储介质及设备，可解决现有方法无法充分利用振动信号中附带的有效信息的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种轴承故障诊断方法，通过计算机设备执行以下步骤，

S1：获取故障发生处的N个传感器的振动信号数据s₁,s₂,…s_N，构建注意力模块ATT，增加有效信息的权值；

S2：对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；

S3：建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；

S4：利用卷积层构建特征提取器，并输出预测结果。

进一步的，步骤S1具体包括如下细分步骤S11至S12：

S11：将原始信号分割，随机分成若干个长度为M×N的片段；

S12：构建注意力机制ATT，并将上述信号片段通过注意力机制；注意力机制构建如下：

每个传感器接收到的信号形成一个信道，假设注意力模块的输入为信道组合A＝[a₁，a₂，a₃，…，a_c]，(a_i∈R^ω×1)，进行归一化处理；

其中，E和Var分别代表期望和方差；注意力模块ATT通过使用全局平均池层Avgpool，将全局时间信息压缩为信道描述符，并生成信道统计向量q，q∈R^1×c，c为输入信道数；

接着生成信道重新校准矢量q′：

q′＝σ(F″(δ(F′(q))))

其中，δ是ReLu激活函数，F′和F″分别代表通道数为1和卷积核为1×1的卷积运算，σ代表Sigmoid函数；q′_i的数值代表了第i个通道的重要性；

M为对特征A进行重要性重新分配后的结果，m₁表示第一个信道在重新分配重要性后的新值；

最终的输出为：

A_ATT＝A+M。

进一步的，所述步骤S2具体包括如下细分步骤S21至S22：

S21：将经过注意力机制模块的信号分割，获得若干个s(k，i)，其中k代表通道数，这里取值为1，2，3；i代表信号的长度，长度为M×N，M×N为信号的长度；并计算S(k，i)；

S(k，i)＝s(k，i)·s(k，i)

S22：计算特征图像的像素值H(m，n)，其中m＝1，2，…，3M，n＝1，2，…，N；

其中，k的取值为：

进一步的，步骤S3具体包括如下细分步骤S31至S32：

S31：把调和层看作是一个1×1卷积核的卷积操作和一个融合了每个特征图的总特征图；

S32：调和层的输出用于N通道信息融合；其中，卷积核为1×k，步长为1×k，k代表传感器通道数，在网络结构图中，令k＝3，从而使N个通道的数据能够有效融合；调和层中同一时间节点的N个通道数据被融合，不同时间节点的数据在该层中不会被融合。

进一步的，所述步骤S4具体包括如下细分步骤S41至S43：

S41：建立卷积神经网络层；

令x∈R^d，第j个特征图可被描述为：

c^j＝x*w^j+b^j

其中，w^j代表第j个过滤器，b^j代表偏差项；

S42：建立池化层；这里使用最大池化层，其数学表达为：

其中，c^j代表输入，r为池大小，

代表对应池化区域内的最大值；

S43：建立全连接层，输入结果；全连接层的数学表达为：

fc^l＝σ(w^l·fc^l-1+b^l)

其中，fc^l代表第1个全连接层的输出特性，w^l和b^l分别代表权值和偏差，σ代表一个非线性激活函数；

最后，利用决定层输出预测结果：

p(z)_i代表轴承处于故障状态的概率。

另一方面，本发明还公开一种轴承故障诊断***，包括以下单元：

注意力模块构建单元，用于获取故障发生处的N个传感器的振动信号数据s₁，s₂，…s_N，构建注意力模块ATT，增加有效信息的权值；

计算单元，用于对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；

特征融合单元，用于建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；

结果输出单元，用于利用卷积层构建特征提取器，并输出预测结果。

第二方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

又一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法的步骤。

由上述技术方案可知，本发明的轴承故障诊断方法，通过对振动信号附带的有效信息的高效利用，从而实现提高故障诊断预测精度的目标，在多个维度对振动信号进行采样以利用更多的有效信息，同时加入注意力机制，对振动信号“取其精华，去其糟粕”，以实现对有效信息的充分利用，提高故障诊断的精度。

本发明通过提取N个维度的振动信号并加以融合，同时利用注意力机制增加有效信息的权值，使该深度网络具有很好的鲁棒性。

附图说明

图1是本发明的方法流程图；

图2为本发明方法网络模型示意图；

图3为ATT内部结构示意图；

图4为调和层示意图；

图5为本发明实施例在CWRU公开数据集上的特征可视化示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1和图2所示，本实施例所述的轴承故障诊断方法，包括以下步骤：

步骤1：获取故障发生处的N个传感器的振动信号数据s₁，s₂，…s_N，构建注意力模块ATT，增加有效信息的权值。

步骤2：对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照一定的规则转化为振动图像，并计算图像的像素值。

步骤3：建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征。

步骤4：利用卷积层构建特征提取器，并输出预测结果。

具体步骤如下：

进一步地，上述步骤S1：获取故障发生处的N个传感器的振动信号数据s₁，s₂，…s_N，构建注意力模块，增加有效信息的权值。

具体包括如下细分步骤S11至S12：

S11：将原始信号分割，随机分成若干个长度为M×N的片段。

S12：构建注意力机制ATT，并将上述信号片段通过注意力机制。注意力机制构建如下：

每个传感器接收到的信号形成一个信道，假设注意力模块的输入为信道组合A＝[a₁，a₂，a₃，…，a_c]，(a_i∈R^ω×1)，进行归一化处理。

其中，E和Var分别代表期望和方差。注意力模块ATT通过使用全局平均池层Avgpool，将全局时间信息压缩为信道描述符，并生成信道统计向量q(q∈R^1×c，c为输入信道数)。

接着生成信道重新校准矢量q′：

q′＝σ(F″(δ(F′(q))))

其中，δ是ReLu激活函数，F′和F″分别代表通道数为1和卷积核为1×1的卷积运算，σ代表Sigmoid函数。q′_i的数值代表了第i个通道的重要性。

M为对特征A进行重要性重新分配后的结果，m₁表示第一个信道在重新分配重要性后的新值。

最后，本发明利用残差网络，引入剩余连接，在保留原始信息的同时，提高了优化的可行性。最终的输出为：

A_ATT＝A+M；

ATT模块的结构图如下图3所示。

进一步地，上述步骤S2：对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照一定的规则转化为振动图像，并计算图像的像素值。具体包括如下细分步骤S21至S22：

S21：将经过注意力机制模块的信号分割，获得若干个s(k，i)，其中k代表通道数，这里取值为1，2，3；i代表信号的长度，长度为M×N，M×N为信号的长度。并计算S(k，i)。

S(k，i)＝s(k，i)·s(k，i)

S22：计算特征图像的像素值H(m，n)，其中m＝1，2，…，3M，n＝1，2，…，N。

其中，k的取值为：

进一步地，上述步骤S3：建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征。具体包括如下细分步骤S31至S32：

S31：调和层可看作是一个1×1卷积核的卷积操作和一个融合了每个特征图的总特征图。

S32：调和层的输出可用于N通道信息融合。其中，卷积核为1×k，步长为1×k，k代表传感器通道数(在网络结构图中，令k＝3)，从而使N个通道的数据能够有效融合。调和层中同一时间节点的N个通道数据被融合，不同时间节点的数据在该层中不会被融合；调和层的示例如下图4所示。

进一步地，上述步骤S4：利用卷积层构建特征提取器，并输出预测结果。具体包括如下细分步骤S41至S43：

S41：建立卷积神经网络层。令x∈R^d，第j个特征图可被描述为：

c^j＝x*w^j+b^j

其中，w^j代表第j个过滤器，b^j代表偏差项。

S42：建立池化层。这里使用最大池化层，其数学表达为：

其中，c^j代表输入，r为池大小，

代表对应池化区域内的最大值。

S43：建立全连接层，输入结果。全连接层的数学表达为：

fc^l＝σ(w^l·fc^l-1+b^l)

其中，fc^l代表第1个全连接层的输出特性，w^l和b^l分别代表权值和偏差，σ代表一个非线性激活函数。

最后，利用决定层输出预测结果。

p(z)_i代表轴承处于故障状态的概率。

本发明方法在CWRU轴承测试数据集上表现良好，下图5展示了本方法在CWRU公开数据集上的特征可视化示意图，可以看出本发明可以很好的将正常轴承和不同种类故障的轴承划分开。数字0-9分别代表正常数据以及不同转速下内环、外环、滚珠故障，图例中仅标出三例。

另一方面，本发明还公开一种轴承故障诊断***，包括以下单元：

注意力模块构建单元，用于获取故障发生处的N个传感器的振动信号数据s₁，s₂，…s_N，构建注意力模块ATT，增加有效信息的权值；

计算单元，用于对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；

特征融合单元，用于建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；

结果输出单元，用于利用卷积层构建特征提取器，并输出预测结果。

可理解的是，本发明实施例提供的***与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

第二方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

又一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法的步骤。

本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述轴承故障诊断方法，所述方法包括：

S1：获取故障发生处的N个传感器的振动信号数据s_1,s_2,…s_N，构建注意力模块ATT，增加有效信息的权值；

S2：对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；

S3：建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；

S4：利用卷积层构建特征提取器，并输出预测结果。

上述电子设备提到的通信总线可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称：PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称：EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(英文：Random Access Memory，简称：RAM)，也可以包括非易失性存储器(英文：Non-Volatile Memory，简称：NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(英文：Central ProcessingUnit，简称：CPU)、网络处理器(英文：Network Processor，简称：NP)等；还可以是数字信号处理器(英文：Digital Signal Processing，简称：DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(英文：Field-Programmable Gate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一轴承故障诊断方法的步骤。

在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一轴承故障诊断方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种轴承故障诊断方法，其特征在于：通过计算机设备执行以下步骤，

S1：获取故障发生处的N个传感器的振动信号数据s₁，s₂，...s_N，构建注意力模块ATT，增加有效信息的权值；

S2：对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；

S3：建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；

S4：利用卷积层构建特征提取器，并输出预测结果。

2.根据权利要求1所述的轴承故障诊断方法，其特征在于：步骤S1具体包括如下细分步骤S11至S12：

S11：将原始信号分割，随机分成若干个长度为M×N的片段；

S12：构建注意力机制ATT，并将上述信号片段通过注意力机制；注意力机制构建如下：

每个传感器接收到的信号形成一个信道，假设注意力模块的输入为信道组合A＝[a₁，a₂，a₃，...，a_c]，(a_i∈R^ω×1)，进行归一化处理；

其中，E和Nar分别代表期望和方差；注意力模块ATT通过使用全局平均池层Avgpool，将全局时间信息压缩为信道描述符，并生成信道统计向量q，q∈R^1×c，c为输入信道数；

接着生成信道重新校准矢量q′：

q′＝σ(F″(δ(F′(q))))

其中，δ是ReLu激活函数，F′和F″分别代表通道数为1和卷积核为1×1的卷积运算，σ代表Sigmoid函数；q′_i的数值代表了第i个通道的重要性；

M为对特征A进行重要性重新分配后的结果，m1表示第一个信道在重新分配重要性后的新值；

最终的输出为：

A_ATT＝A+M。

3.根据权利要求2所述的轴承故障诊断方法，其特征在于：所述步骤S2具体包括如下细分步骤S21至S22：

S21：将经过注意力机制模块的信号分割，获得若干个s(k，i)，其中k代表通道数，这里取值为1，2，3；i代表信号的长度，长度为M×N，M×N为信号的长度；并计算S(k，i)；

S(k，i)＝s(k，i)·s(k，i)

S22：计算特征图像的像素值H(m，n)，其中m＝1，2，...，3M，n＝1，2，...，N；

其中，k的取值为：

4.根据权利要求3所述的轴承故障诊断方法，其特征在于：步骤S3具体包括如下细分步骤S31至S32：

S31：把调和层看作是一个1×1卷积核的卷积操作和一个融合了每个特征图的总特征图；

S32：调和层的输出用于N通道信息融合；其中，卷积核为1×k，步长为1×k，k代表传感器通道数，在网络结构图中，令k＝3，从而使N个通道的数据能够有效融合；调和层中同一时间节点的N个通道数据被融合，不同时间节点的数据在该层中不会被融合。

5.根据权利要求4所述的轴承故障诊断方法，其特征在于：所述步骤S4具体包括如下细分步骤S41至S43：

S41：建立卷积神经网络层；

令x∈R^d，第j个特征图可被描述为：

c^j＝x*w^j+b^j

其中，w^j代表第j个过滤器，b^j代表偏差项；

S42：建立池化层；这里使用最大池化层，其数学表达为：

其中，c^j代表输入，r为池大小，

代表对应池化区域内的最大值；

S43：建立全连接层，输入结果；全连接层的数学表达为：

fc^l＝σ(w^l·fc^l-1+b^l)

其中，fc^l代表第1个全连接层的输出特性，w^l和b^l分别代表权值和偏差，σ代表一个非线性激活函数；

最后，利用决定层输出预测结果：

p(z)_i代表轴承处于故障状态的概率。

6.一种轴承故障诊断***，其特征在于：包括以下单元：

注意力模块构建单元，用于获取故障发生处的N个传感器的振动信号数据s₁，s₂，...s_N，构建注意力模块ATT，增加有效信息的权值；

计算单元，用于对经过注意力模块的数据进行预处理，将获取的N个维度的振动信号数据按照设定的规则转化为振动图像，并计算图像的像素值；

特征融合单元，用于建立一个调和层，将N个通道的振动信号进行特征融合，充分考虑N个通道的信号特征；

结果输出单元，用于利用卷积层构建特征提取器，并输出预测结果。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

Images