用于轴承故障诊断的CNN模型的设计方法、装置和设备
本技术涉及深度卷积神经网络cnn模型设计，特别是涉及一种用于轴承故障诊断的cnn模型的设计方法、装置和设备。
背景技术：
1、深度卷积神经网络cnn(convolutional neural networks)作为深度学习算法的代表，已经被广泛应用于旋转设备的故障诊断和预警中。
2、公开号为cn117171544a的文献公开一种多通道融合卷积神经网路，并将其用于电机振动的故障诊断。公开号为cn117708574a的文献中通过将滚动轴承加速度的包络阶次谱嵌入至卷积神经网络，公开了一种嵌入物理的cnn并将其用于变转速的轴承故障诊断。公开号为cn117932262a的文献公开一种基于cnn-lstm-attention的zpw-2000a轨道电路故障诊断方法，通过cnn层进行局部特征提取、lstm编码层提取抽象特征、attention层引入注意力机制，最终通过故障诊断层实现准确的轨道电路故障分类。
3、上述方法虽然在轴承故障诊断中取得了不错的效果，但是网络的结构和参数均来自图像识别/语音识别领域，或通过反复调参得到。比如，输入信号的长度往往定义为1024，2048，4096等值，而卷积核的大小则通常定义为3×3、5×5、7×7等。这带来两个明显的问题，一是通过手动的反复调参或优化算法寻找最优参数，降低了网络的设计效率，二是适用于图像识别/语音识别的网络参数不一定适用于故障诊断，至少不是最优的，也不具备机理上的可解释性。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种用于轴承故障诊断的cnn模型的设计方法、装置和设备。
2、一种用于轴承故障诊断的cnn模型的设计方法，该方法包括：
3、根据被测轴承的几何参数和工况参数，计算理论故障特征频率值。
4、根据理论故障特征频率值和采样频率，确定输入信号的长度。
5、根据采样频率、转轴的旋转频率以及输入信号的长度，确定输入信号的宽度和高度。
6、根据每种轴承故障类别对应的故障尖峰的指数衰减特性和故障特征频率分布的周期性，确定对应通道中卷积核的宽度和高度。
7、根据轴承故障类别的数量，确定cnn模型的通道数以及每个通道的尺寸参数，得到用于轴承故障诊断的cnn模型。
8、将待检测轴承的故障诊断样本输入到cnn模型的对应通道中，然后通过融合层将所有通道的输出结果进行融合，在输出层对得到的融合结果进行处理，得到轴承故障诊断结果。
9、在其中一个实施例中，根据被测轴承的几何参数和工况参数，计算理论故障特征频率值；理论故障特征频率值包括：外圈故障特征频率、内圈故障特征频率、球故障特征频率、保持架故障特征频率。
10、在其中一个实施例中，根据理论故障特征频率值和采样频率，确定输入信号的长度，包括：
11、根据理论故障特征频率值和采样频率，分别在时域和频域设计用于确定输入信号的长度的计算准则，确定时域上输入信号的长度和频域上输入信号的长度；其中，时域上输入信号的长度的计算准则为
12、
13、其中，l1为时域上输入信号的长度，fbpfo，fbpfi，fbsf和fftf分别为外圈故障特征频率，内圈故障特征频率、球故障特征频率、以及保持架故障特征频率，λ为调节因子，λ≥1，fs为采样频率。
14、频域上输入信号的长度的计算准则为：
15、
16、其中，l2为频域上输入信号的长度，ffcf∈{fbpfo，fbpfi，fbsf,fftf},i和j为故障特征频率的阶次，其中，ffcf·i≠ffcf·j。
17、根据所述时域上输入信号的长度和所述频域上输入信号的长度，确定输入信号的长度；所述输入信号的长度为：
18、ls＝max(l1,l2)
19、其中，ls为输入信号的长度。
20、在其中一个实施例中，根据采样频率、转轴的旋转频率以及输入信号的长度，确定输入信号的宽度和高度，包括：
21、根据采样频率和转轴的旋转频率，确定输入信号的宽度为：
22、
23、其中，ws为输入信号的宽度，fr为转轴的旋转频率，fs为采样频率，为向上取整运算符。
24、根据输入信号的长度和宽度，确定输入信号的高度为：
25、
26、其中，hs为输入信号的高度，ls为输入信号的长度。
27、在其中一个实施例中，根据每种轴承故障类别对应的故障尖峰的指数衰减特性和故障特征频率分布的周期性，确定对应通道中卷积核的宽度和高度，包括：
28、采集故障轴承在不同故障类型下的加速度信号。
29、对加速度信号进行预处理，得到轴承在单个故障周期内的加速度信号。
30、计算加速度信号的外包络线，并采用指数函数拟合外包络线。
31、根据定义的不同衰减因子，确定对应的衰减时间和信号观测窗口。
32、计算外包络线从峰值衰减到预设值的时间窗口内采集的样本点数，将采集的样本点数作为卷积核的宽度；预设值为ζa0，其中，a0为外包络线的峰值，ζ为幅值衰减因子。
33、根据理论故障特征频率值与转轴的旋转频率的比值，确定卷积核的高度。
34、在其中一个实施例中，根据理论故障特征频率值与转轴的旋转频率的比值，确定卷积核的高度，包括：
35、计算故障特征频率与转轴的旋转频率的比值，根据比值寻找一组正整数p和q；将正整数q作为卷积核的高度；其中，该正整数p除以q的商与比值的差不大于预设阈值。
36、在其中一个实施例中，卷积核的宽度为：
37、
38、其中，wk(ζ)为卷积核宽度，tζ为外包络线从峰值衰减到预设值的时间窗口，bζ为衰减系数，fs为采样频率，为向上取整运算符。
39、在其中一个实施例中，根据轴承故障类别的数量，确定cnn模型的通道数以及每个通道的尺寸参数，得到用于轴承故障诊断的cnn模型，包括：
40、将cnn模型的通道数设计为轴承故障类别的数量，每个通道对应一种轴承故障类别；每个通道由两个卷积模块组成；其中卷积模块包括一个卷积层和一个池化层。
41、根据每种轴承故障类别设计对应通道的卷积层的参数，设计多个通道后的融合层、输出层，得到用于轴承故障诊断的cnn模型。
42、一种用于轴承故障诊断的cnn模型的设计装置，该装置包括：
43、理论故障特征频率值计算模块，用于根据被测轴承的几何参数和工况参数，计算理论故障特征频率值。
44、输入信号参数设计模块，用于根据理论故障特征频率值和采样频率，确定输入信号的长度；根据采样频率、转轴的旋转频率以及输入信号的长度，确定输入信号的宽度和高度。
45、卷积核尺寸设计模块，用于根据每种轴承故障类别对应的故障尖峰的指数衰减特性和故障特征频率分布的周期性，确定对应通道中卷积核的宽度和高度。
46、网络通道设计模块，用于根据轴承故障类别的数量，确定cnn模型的通道数以及每个通道的尺寸参数，得到用于轴承故障诊断的cnn模型。
47、轴承故障诊断模块，用于将待检测轴承的故障诊断样本输入到cnn模型的对应通道中，然后通过融合层将所有通道的输出结果进行融合，在输出层对得到的融合结果进行处理，得到轴承故障诊断结果。
48、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，所述处理器执行所述计算机程序时实现上述任一方法的步骤。
49、上述用于轴承故障诊断的cnn模型的设计方法、装置和设备，所述方法首先基于故障特征频率及其分辨率要求设计了cnn模型输入信号的长度；其次，基于转轴的旋转频率确定输入信号的宽度和尺寸；然后，基于故障尖峰的指数衰减特性计算卷积核的宽度；最后，基于故障类别数量，确定cnn模型的通道数，以及每个通道的尺寸参数。本发明提出的cnn模型设计方法能直接基于故障特征来设计cnn模型，将显著提高cnn模型的设计效率，改善网络结构和参数的可解释性。此外，采用本方法设计的cnn模型用于轴承故障诊断时，具有更高的精度、更小的不确定性、更快的收敛速度。
技术特征：
1.一种用于轴承故障诊断的cnn模型的设计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，根据被测轴承的几何参数和工况参数，计算理论故障特征频率值；所述理论故障特征频率值包括：外圈故障特征频率、内圈故障特征频率、球故障特征频率、保持架故障特征频率。
3.根据权利要求1所述的方法，其特征在于，根据所述理论故障特征频率值和采样频率，确定输入信号的长度，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述采样频率、转轴的旋转频率以及所述输入信号的长度，确定输入信号的宽度和高度，包括：
5.根据权利要求1所述的方法，其特征在于，根据每种轴承故障类别对应的故障尖峰的指数衰减特性和故障特征频率分布的周期性，确定对应通道中卷积核的宽度和高度，包括：
6.根据权利要求5所述的方法，其特征在于，根据理论故障特征频率值与转轴的旋转频率的比值，确定卷积核的高度，包括：
7.根据权利要求5所述的方法，其特征在于，卷积核的宽度为：
8.根据权利要求1所述的方法，其特征在于，根据轴承故障类别的数量，确定cnn模型的通道数以及每个通道的尺寸参数，得到用于轴承故障诊断的cnn模型，包括：
9.一种用于轴承故障诊断的cnn模型的设计装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。
技术总结
本申请涉及一种用于轴承故障诊断的CNN模型的设计方法、装置和设备，所述方法首先基于故障特征频率及其分辨率要求设计了CNN模型输入信号的长度；其次，基于转轴的旋转频率确定输入信号的宽度和尺寸；然后，基于故障尖峰的指数衰减特性计算卷积核的宽度；最后，基于故障类别数量，确定CNN模型的通道数，以及每个通道的尺寸参数。本发明提出的CNN模型设计方法能直接基于故障特征来设计CNN模型，将显著提高CNN模型的设计效率，改善网络结构和参数的可解释性。此外，采用本方法设计的CNN模型用于轴承故障诊断时，具有更高的精度、更小的不确定性、更快的收敛速度。
技术研发人员：阮迪望,赵伟,杨伟奇
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：
技术公布日：2024/9/23