一种基于ECA_ResNet的滚动轴承故障诊断方法

本发明涉及轴承故障诊断，具体的说是一种基于eca_resnet的滚动轴承故障诊断方法。

背景技术：

1、随着工业制造的快速进步，轴承行业也在极速发展。轴承作为航空航天、高端机床、高端医疗等装备中的核心元件，对整个机械设备的运行起关键作用。轴承在运转过程中遇到的异物、载荷冲击、润滑不良等问题加剧设备磨损，降低轴承寿命，更是对整个旋转机械的安全性与稳定性产生巨大的影响。目前一半左右的旋转机械故障都与滚动轴承有关，因此提出一个准确性高，鲁棒性强的轴承故障诊断方法对提高工业生产效率，降低成本，消除安全隐患具有深远的意义。

2、目前，深度学习已经被广泛应用于轴承故障诊断领域，其最大的特点就是自适应学习数据特征，消除人工特征提取的不足，提高滚动轴承故障诊断效率与准确率。eren等(eren l，ince t，kirany az s.a generic intelligent bearing fault diagnosissystem using compact adaptive 1d cnn classifier[j].journal of signalprocessing systems，2019，91(2):179-189)提出了一种自适应的1d cnn轴承故障诊断模型，模型结构紧凑，诊断性能良好。zhang等(zhang w,peng g,li c,et al.a new deeplearning model for fault diagnosis with good anti-noise and domain adaptationability on raw vibration signals[j].sensors,2017,17(2):425.)针对振动信号的特点设计了“第一层为宽卷积核，其余层为小卷积核”的深度卷积神经网络wdcnn，提取信号短时特征，抑制高频噪声。以上都是基于一维信号的轴承故障诊断方法，但是一维信号是时间序列信号，在非平稳信号特征提取时常出现特征值丢失的问题，降低诊断准确率。卷积神经网络(convolution neural network，cnn)权值共享和局部连接的特点使其更适用于二维图像的特征提取与分类。wen等(wen l,li x,gao l,et al.a new convolutional neuralnetwork-based data-driven fault diagnosis method[j].ieee transactions onindustrial electronics,2017,65(7):5990-5998)将信号转换成灰度图输入到卷积神经网络模型进行故障分类；赵小强等(赵小强,张青青.改进alexnet的滚动轴承变工况故障诊断方法[j].振动.测试与诊断,2020,40(03):472-480+623)利用横向插样将信号转换成图像，同时在alexnet基础上进行改进，提高了变工况下故障诊断准确率；吴晨芳等(吴晨芳,杨世锡,黄海舟等.一种基于改进的lenet-5模型滚动轴承故障诊断方法研究[j].振动与冲击,2021,40(12):55-61)利用信号堆叠的方式将信号转换成灰度图，同时在lenet5基础上进行改进，增强模型泛化性。

3、尽管以上的轴承故障诊断方法均取得了不错的效果，但在模型结构与性能方面仍有不足：其一、卷积神经网络特征提取的能力受网络深度的影响，然而深度过高又会导致梯度弥散、爆炸与网络退化等问题，影响模型准确率；其二、在实际的工业生产中，环境噪声和轴承负载都是多变的，传感器获取的振动信号不可避免的受到干扰，增强模型关键特征提取的难度。

技术实现思路

1、为了解决现有技术中的不足，本发明提供一种基于eca_resnet的滚动轴承故障诊

2、断方法，该故障诊断方法不仅能够解决因网络深度过高又会导致梯度弥散、爆炸与网络退化的问题，而且能提升模型在强噪声与变负载下的轴承故障诊断准确率。

3、为了实现上述目的，本发明采用的具体方案为：

4、一种基于eca_resnet的滚动轴承故障诊断方法，主要包括以下步骤：

5、步骤1、采集不同情况滚动轴承的一维振动信号，利用短时傅里叶与伪彩色处理方法将一维振动信号转换成三通道彩色时频图，将所有三通道彩色时频图汇总成样本集，对样本集中的样本进行随机划分处理，得到训练集、验证集和测试集，其中，训练集、验证集和测试集中样本比例为7：2：1；

6、步骤2、构建eca_resnet轴承故障诊断模型，eca_resnet轴承故障诊断模型包括卷积层、最大池化层、改进残差模块和全连接层；所述卷积层用于获取样本图浅层边缘特征，最大池化层通过对特征图进行降采样以减少负载和参数量，同时保留数据主要的特征；改进残差模块用于加深网络层数，自适应获取深层关键信息；全连接层用于将卷积层与池化层学习到的特征排列为一维向量，然后采用softmax函数对收集到的特征进行分类以实现故障诊断；

7、步骤3、将训练集彩色时频图输入到eca_resnet轴承故障诊断模型进行训练，并利用验证集调整模型超参数，直至网络收敛，保存最优模型，即得到诊断效果最优的eca_resnet轴承故障诊断模型；

8、步骤4、在测试集中加入不同信噪比的高斯白噪声，以模拟实际工业生产中不同程度的环境噪声，检测模型鲁棒性，将加入高斯白噪声后的测试集样本输入步骤3得到的诊断效果最优的eca_resnet轴承故障诊断模型中，得到最终的故障诊断结果。

9、进一步地，步骤1中，不同情况滚动轴承的一维振动信号包括轴承在正常、内圈故障、外圈故障、滚动体故障状态下的一维振动信号。

10、进一步地，步骤1中，运用重叠采样将一维振动信号依次截取成若干固定长度的短信号，利用短时傅里叶变换处理信号，分析信号的时域特性和频域特性，生成单通道的灰度图像。

11、进一步地，步骤1中，伪彩色处理方法采用的是matplotlib中的pcolormesh，利用伪彩色处理方法能够将单通道的灰度值映射为三通道彩色图。

12、进一步地，步骤2中，改进残差模块是将有效的通道注意力网络eca-net结构嵌入到残差网络模块中。

13、进一步地，有效的通道注意力网络eca-net的运算过程为：首先通过全局平均池化对特征进行聚合，获取通道全局信息，然后利用卷积核大小为k的1d卷积替代全连接生成信道权重，获取通道之间的相互依赖关系，最后将原始输入特征与通道权重进行点积运算获得具有通道注意力的特征。

14、进一步地，步骤2)中构建的eca_resnet轴承故障诊断模型包含两个全连接层，通过在两个全连接层之间通过引入dropout技巧使得部分神经元以一定的概率暂停工作，抑制模型过拟合。

15、进一步地，步骤3)中，对eca_resnet轴承故障诊断模型训练时，对彩色时频图进行随机垂直翻转，batchsize为32，迭代次数为30次，采用交叉熵损失作为误差损失函数，adam为优化器，学习率为0.001，同时采用学习率衰减机制steplr调整学习率，每迭代10次，学习率减半。

16、进一步地，步骤4)中，向测试集中加入的高斯白噪声分别为2db、4db、6db、8db、10db。

17、有益效果：

18、本发明利用短时傅里叶变换与伪彩色处理相结合的方法得到彩色时频图的样本集，在获取原始数据时频域特征的同时将单通道灰度图转换成三通道彩色时频图，增强样本数据信息特征。本发明构建的eca_resnet轴承故障诊断模型，将有效的通道注意力机制嵌入到残差网络模块中，解决因网络层数加深而造成的梯度弥散、网络退化的现象，同时强化关键通道，弱化无关通道，实现跨通道交互，自适应预测深层关键特征，增强模型抗噪性与泛化性，同时引进dropout技巧抑制模型过拟合，增强模型泛化性，提高轴承故障诊断准确率。