一种基于ANLC-ADL的矿用滚动轴承故障诊断方法
本申请涉及故障诊断，尤其是涉及一种基于anlc-adl的矿用滚动轴承故障诊断方法。
背景技术：
1、在煤矿生产中，滚动轴承被广泛应用于如主通风机、立井提升机、掘进机等煤矿机械设备。随着科技不断发展，工业系统逐步趋向集成化和复杂化，机械设备各个零部件之间的联系更加密切，一旦某个滚动轴承发生故障，就会对机械设备的整体运行状态产生直接影响，并导致进一步的机械设备损坏，最终导致生命财产的损失。因此，实时监测和诊断机械设备关键位置的轴承状态，以便尽早发现并确认各种类型故障显得尤为重要。
2、在煤矿井下，传统的故障诊断系统通常采用集中式的数据处理方式，将传感器采集到的数据经光纤以太网组成的矿井数据传输网络传送至地面计算机进行算法处理，但由于矿井巷道延伸距离长且较为狭窄，光缆一旦被井下环境因素影响(如岩石垮落、设备移动刮断等)，造成断裂等情况，就会导致井下监测体系整体瘫痪，可以看出集中式的故障诊断系统可靠性较差。因此，将模型部署在边缘侧的分布式故障诊断系统成为提高系统可靠性的必然要求。但为了满足煤矿井下爆炸环境对本质安全型电气产品的要求，边缘设备对自身功耗有着严格的限制，与此同时，用于设备故障诊断的边缘设备被广泛部署在各个设备的关键部位上，这意味着功耗受限的单个边缘设备需要同时部署和运行多个深度学习模型来处理多种设备故障诊断数据，这无疑会给大型深度学习模型的部署和诊断实时性带来一定困难。因此，模型的轻量化设计已成为故障诊断领域的研究重点。
3、煤矿井下空间狭小，工况条件复杂恶劣，机电设备密集，井下通风机、架线电机车、皮带运输机、采煤机等大型机电设备功率大，启停频繁，会造成的严重的电磁干扰，煤矿井下的强噪声会造成故障诊断系统数据不可靠，易发生井下故障诊断信号被噪声淹没的情况，导致测得的信号具有非平稳性、非线性、非高斯性和信噪比低的特点，进而导致故障诊断系统运行不稳定。因此，煤矿井下恶劣的生产条件对故障诊断技术的抗噪声能力提出了严苛的要求。
技术实现思路
1、为解决上述背景技术中的问题，本申请提供一种基于anlc-adl的矿用滚动轴承故障诊断方法，包括：
2、根据滚动轴承原始振动信号构建故障诊断数据集，所述故障诊断数据集包括故障样本数据以及标签，所述标签用于指示故障类型；
3、搭建anlc-adl故障诊断模型；
4、采用所述故障诊断数据集对所述anlc-adl故障诊断模型进行训练，得到训练好的anlc-adl故障诊断模型；
5、将待诊断数据输入到预先训练好的所述anlc-adl故障诊断模型，得到诊断结果；
6、基于所述诊断结果，根据所述标签判断滚动轴承是否存在故障以及存在的故障类型。
7、优选的，所述故障诊断数据集的构建过程包括：
8、通过不重叠地切分将原始数据切分为长度为1024采样点的样本；
9、根据6:2:2的比例将样本随机划分为训练集、验证集和测试集；
10、数据集至少包含滚动轴承滚珠故障的样本、滚动轴承内圈故障的样本、滚动轴承外圈故障的样本、滚动轴承内外圈复合故障的样本、滚动轴承正常状态的样本；滚动轴承滚珠故障的样本标记为标签类别1、滚动轴承内圈故障的样本标记为标签类别2、滚动轴承外圈故障的样本标记为标签类别3、滚动轴承内外圈复合故障的样本标记为标签类别4、滚动轴承正常状态的样本标记为标签类别5。
11、优选的，所述anlc-adl故障诊断模型包括：
12、使用dropout进行数据预处理；
13、使用多尺度信息扩充模块进行信息扩充；
14、使用宽核卷积模块进行特征提取和数据快速降维；
15、使用dsc模块进行特征提取；
16、使用输出模块进行诊断结果输出。
17、优选的，所述多尺度信息扩充模块包括：
18、四条扩张率分别为dr＝1、dr＝3、dr＝5、dr＝7的空洞卷积支路；
19、concat函数。
20、优选的，所述空洞卷积支路包括：
21、空洞卷积层；
22、批量归一化层；
23、激活函数tanh。
24、优选的，所述宽核卷积模块包括：
25、宽核空洞卷积层；
26、批量归一化层；
27、激活函数gelu。
28、优选的，所述dsc模块包括：
29、四个连续的dsc子模块。
30、优选的，所述dsc子模块包括：
31、深度卷积；
32、批量归一化层；
33、激活函数gelu；
34、1×1逐点卷积；
35、adl；
36、最大池化。
37、优选的，所述输出模块包括：
38、1×1卷积层；
39、全局平均池化；
40、softmax函数。
41、优选的，所述训练的过程包括：
42、使用所述训练集对所述anlc-adl故障诊断模型进行训练；
43、在训练的每次迭代过程中监控所述anlc-adl故障诊断模型在所述验证集上的表现，取迭代过程中在所述验证集上拥有最高准确率的所述anlc-adl故障诊断模型作为训练的结果，若存在多次达到最高准确率的情况，则保存最后一次所述anlc-adl故障诊断模型；
44、当epoch达到设定值时终止训练。
技术特征：
1.一种基于anlc-adl的矿用滚动轴承故障诊断方法，其特征在于，诊断方法的过程包括：
2.根据权利要求1所述的诊断方法，其特征在于，步骤1中，所述故障诊断数据集的构建过程包括：
3.根据权利要求1所述的诊断方法，其特征在于，步骤2中，所述anlc-adl故障诊断模型包括：
4.根据权利要求3所述的诊断方法，其特征在于，步骤2中，所述多尺度信息扩充模块包括：四条扩张率分别为dr＝1、dr＝3、dr＝5、dr＝7的空洞卷积支路；concat函数。
5.根据权利要求4所述的故障诊断方法，其特征在于，所述空洞卷积支路包括：空洞卷积层；批量归一化层；激活函数tanh。
6.根据权利要求4所述的故障诊断方法，其特征在于，步骤3中，所述宽核卷积模块包括：宽核空洞卷积层；批量归一化层；激活函数gelu。
7.根据权利要求4所述的故障诊断方法，其特征在于，步骤4中，所述dsc模块包括：四个连续的dsc子模块。
8.根据权利要求7所述的故障诊断方法，其特征在于，所述dsc子模块包括：深度卷积；批量归一化层；激活函数gelu；1×1逐点卷积；adl；最大池化。
9.根据权利要求3所述的故障诊断方法，其特征在于，步骤5中，所述输出模块包括：1×1卷积层；全局平均池化；softmax函数。
10.根据权利要求2所述的诊断方法，其特征在于，步骤3中，所述训练的过程包括：
技术总结
本发明公开了一种基于ANLC‑ADL的矿用滚动轴承故障诊断方法，该方法包括：根据滚动轴承原始振动信号构建故障诊断数据集；搭建ANLC‑ADL故障诊断模型；使用Dropout进行数据预处理；使用多尺度信息扩充模块进行信息扩充；使用宽核卷积模块进行特征提取和数据快速降维；使用DSC模块进行特征提取；使用输出模块进行诊断结果输出。本申请能够从振动信号中有效提取故障特征，可实现对矿用滚动轴承进行故障识别以及故障类型分类。
技术研发人员：赵宇波,王复淞,刘斌,田子建
受保护的技术使用者：中国矿业大学（北京）
技术研发日：
技术公布日：2024/9/23