融合频域特征与改进残差网络的深沟球轴承故障诊断方法

本发明涉及一种轴承故障诊断方法，更具体的说是涉及一种融合频域特征与改进残差网络的深沟球轴承故障诊断方法。

背景技术：

1、深沟球轴承运行状态的鲁棒辨识对于保障工业设备服役性能有着重要的意义，但在实际应用中，采集的振动信号通常会受到复杂传递路径和部件耦合的影响，导致无关噪声的干扰，这给深沟球轴承故障的准确诊断带来了挑战。由于长时间的高负荷运行和复杂的地形条件，轴承容易出现各种故障，如磨损、裂纹、剥落等，这些故障若不及时诊断和处理，可能导致严重的设备损坏甚至事故。

2、传统的深沟球轴承故障诊断方法主要存在以下几个问题：首先，依赖于工程师的经验和专业知识，无法充分利用大数据和深度学习等现代技术；其次，手动特征提取导致信息提取不全面，容易忽略一些重要的故障特征，影响诊断准确性；此外，传统方法对环境条件较为敏感，温度、湿度等因素的变化可能干扰诊断结果；同时，由于人为因素和主观判断，传统方法可能无法发现一些隐蔽或早期的故障迹象，导致诊断漏检或误判；最后，传统方法需要大量的人力和时间成本，包括数据采集、特征提取、分析和判读等环节，成本高昂且效率低下，难以适应大规模工业应用的需求。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种融合频域特征与改进残差网络的深沟球轴承故障诊断方法。

2、为实现上述目的，本发明提供了如下技术方案：一种融合频域特征与改进残差网络的深沟球轴承故障诊断方法，其特征在于：包括如下步骤：

3、步骤一，采集安装在驱动端的深沟球轴承的振动加速度传感器的振动信号，采样频率为12khz，并利用傅里叶变换算法对振动信号进行处理，获取振动信号的非冗余频谱，并通过线性映射将频谱值规整化到[-1,1]的范围内；

4、步骤二，利用反余弦函数进行数值编码转换，将归一化的非冗余频谱映射至极坐标，获得每个频率成分的极坐标表示，使用映射后的极坐标数据建立格拉姆矩阵，用来描述不同信号点之间的关系，以通过计算信号点之间的内积来构建格拉姆矩阵，生成编码后的格拉姆角场特征图；

5、步骤三，将多尺度注意力模块嵌入到深度残差神经网络，获得多尺度注意力残差网络故障诊断模型；

6、步骤四，利用步骤三获得的多尺度注意力残差网络故障诊断模型对步骤二获得的编码后的格拉姆角场特征图进行故障分类，实现滚动轴承的故障诊断。

7、作为本发明的进一步改进，所述步骤一中获取振动信号的非冗余频谱通过以下方式获取：设置一个阈值，将经过傅里叶变换算法处理的振动信号的频域信号的频率与阈值对比，将高于该阈值的所有频率成分去除，从而去除高频冗余信息，以获取非冗余频谱。

8、作为本发明的进一步改进，所述步骤一中通过线性映射将频谱值规整化到[-1,1]的范围内的具体步骤如下：利用最大最小归一化方法对获取的非冗余频谱f＝f1,f2,…,fn进行线性映射，将频谱值规整化到[-1,1]的范围内，公式为：

9、

10、作为本发明的进一步改进，所述步骤二中获得每个频率成分的极坐标表示的表示公式如下：

11、

12、其中，r为极坐标中的极径，φ为极坐标中的极角，为归一化后的非冗余频谱，ti为频谱序号，l为频谱长度。

13、作为本发明的进一步改进，所述步骤二中的格拉姆角场特征图包括采用余弦函数编码的特征图和采用正弦函数编码的特征图，采用余弦函数编码的特征图称为格拉姆角和场，采用正弦函数编码的特征图称为格拉姆角差场，因此对于给定信号的非冗余频谱f，其对应的格拉姆角和场可定义为：

14、

15、对于给定信号的非冗余频谱f，其格拉姆角差场可表述为：

16、

17、其中，下标i、j分别表示不同的频谱采样点。

18、作为本发明的进一步改进，所述步骤三中将多尺度注意力模块嵌入到深度残差神经网络，获得多尺度注意力残差网络故障诊断模型的具体步骤如下：

19、步骤三一，引入多尺度特征提取模块，通过多尺度特征提取模块将输入的格拉姆角场特征图的通道维度进行压缩，将一个具有通道数为c的特征图x，通过压缩操作将其划分为s个分支，每个分支的通道数为c'＝c/s；

20、步骤三二，将步骤三一划分的s个分支输出进行拼接，形成一个综合了多尺度信息的特征图；

21、步骤三三，引入通道注意力模块，采用一维卷积来代替通道注意力模块中的全连接层；

22、步骤三四，基于步骤三三一的多尺度特征提取模块和步骤三三的通道注意力模块提出多尺度注意力模块，之后将多尺度注意力模块集成到残差机构中，将步距为4且卷积核为4×4的卷积层和层归一化层作为多尺度注意力残差网络故障诊断模型的输入层，四个带有多尺度注意力模块的残差机构作为多尺度注意力残差网络故障诊断模型的特征提取层，全局平均池化层、层归一化层和线性层构成多尺度注意力残差网络故障诊断模型的输出层，完成多尺度注意力残差网络故障诊断模型的构建。

23、作为本发明的进一步改进，所述步骤三一中所划分的每个分支中，输入的格拉姆角场特征图通过具有不同核大小的卷积层进行处理，以捕捉不同尺度的空间信息，第i个分支使用核大小为ki的卷积核，公式表示如下：

24、ki＝2×(i+1)+1；

25、并在每个分支中应用分组卷积，分组卷积的操作可以用以下公式表示：

26、

27、其中，k表示卷积核大小，g表示分组数量；

28、之后获得多尺度特征图生成函数公式表示如下：

29、

30、其中，表示分组数为gi、核大小为ki的分组卷积操作，x是输入特征图；

31、基于上述生成的多尺度特征图生成函数公式进行特征融合操作，通过以下公式表示：

32、f＝concat([f0,f1,...,fs-1])

33、其中，f是拼接后的综合特征图，fi是第i个分支的输出特征图。

34、作为本发明的进一步改进，所述步骤三三引入通道注意力模块的具体步骤如下：首先进行全局平均池化，提取每个通道的全局信息，为后续的通道注意力分配做准备，公式表示如下：

35、

36、其中，x∈rh×w×c是卷积层的输出特征图，h和w分别是特征图的高度和宽度，c是通道数；

37、然后采用一维卷积来代替传统注意力模块中的全连接层，对通道间的关系进行建模，公式表示如下：

38、ω＝σ(conv1d(g))

39、其中，g是全局平均池化操作的输出，conv1d是一维卷积操作，σ是sigmoid激活函数，ω∈rc是生成的通道注意力权重向量；

40、上述步骤中，引入一种自适应模块来确定一维卷积的核大小，基于通道数量的非线性映射，动态调整核大小以适应不同的网络结构和通道数，公式表示如下：

41、

42、其中，c是通道数，k是一维卷积的核大小，γ和b是可调参数，根据通道数自适应地确定一维卷积的核大小。

43、本发明的有益效果：

44、1、通过离散傅里叶变换和格拉姆角场的结合，本发明有效提升了滚动轴承故障诊断模型的抗噪性能。离散傅里叶变换能够将滚动轴承振动信号转换到频域，而格拉姆角场则将频域成分重构为图像形式的特征图，这一过程减少了对噪声的敏感性，有效提升了滚动轴承故障诊断模型的抗噪性能，使其更适用于复杂工业环境中的应用。

45、2、本发明结合了多尺度特征提取模块和通道注意力模块，显著提升了滚动轴承故障诊断模型的准确性能。多尺度特征提取模块能够从不同尺度上捕获滚动轴承振动信号的特征信息，使模型能够更全面地理解信号的特性，从而提高模型的识别精度和泛化能力。而通道注意力模块则能够自动学习并强调对故障诊断任务关键的特征通道，使得模型能够自动地识别并关注于图像的重要区域，不仅提高了特征提取的速度，还增强了对特征图像中信号特征密集区域的识别准确性。