买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：兰州理工大学

摘要：本发明公开了一种滚动轴承故障高效诊断方法及系统，属于转子故障诊断技术领域；该方法包括：将滚动轴承的一维振动信号转换为灰度图，从而减少噪声信号对原始信号的干扰；构建坐标Ghostbottleneck和自适应权重模块，利用Ghost模块加速模型速度，减少参数量，加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，以此来改良图像分类的性能；通过自适应权重模块在避免花费大量计算资源的同时充分利用了相似特征图，使得模型更加全面理解输入信号。本发明可以达到较高的准确率，模型具备良好抗噪能力，同时还具备较少的参数量以及较快的诊断速度，能够高效快速准确的进行滚动轴承故障诊断。

主权项：1.一种滚动轴承故障高效诊断方法，其特征在于，该方法包括：获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果；所述基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：构建坐标Ghostbottleneck；在Ghostbottleneck中加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，优化图像分类的性能；构建自适应权重模块，用以利用相似特征图所包含的信息；使用两个坐标Ghostbottleneck和两个自适应权重模块作为网络主干；令输入图像的大小为32×32，经过transform后将尺寸调整转化为224×224；转化后的图像在经过第一个3×3卷积后进入Ghostbottleneck开始生成Ghost特征图，然后进入自适应权重模块；经过两次重复后使模型充分整合输入图像的特征；在经过最后一层3×3卷积层和平均池化后，使用Dropout操作，Dropout参数值设定为0.5；所述构建自适应权重模块，包括：模块中划分为像素注意力分支、通道注意力分支和自适应权重分支；其中：像素注意力分支包含一个1×1卷积核像素注意力块；在通道注意力分支中，使用一个1×1卷积核和通道注意力块，并使用一个1×1卷积进行特征重组，用以与自适应权重分支进行权重融合；在两个注意力分支中加入两个交叉结构，通过特征复用的方式来弥补不同注意力间所忽视掉的特征：自适应权重分支利用加权求和分配像素注意力分支和通道注意力分支的权重；基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，执行操作包括：设计坐标Ghostbottleneck，其中，Ghostbottleneck由Ghost模块组成，Ghost模块首先通过普通卷积生成内在特征图，然后通过对内在特征图进行线性运算，生成彼此之间相似的特征图，称为Ghost特征图，最后将内在特征图与Ghost特征图进行融合作为新输出；普通卷积对于输入数据其中c为输入数据的通道数，h和w为输入数据的高和宽，经过普通卷积运算后得到的输出如下：Y＝X*f+b其中，*为卷积运算，f为该层中的卷积滤波器，b为卷积中的偏置，是具有n个通道的输出特征图；可得在该卷积过程中的FLOPs计算为：FLOPs＝n·h'·w'·c·k·k其中，k为卷积过滤器的尺寸；Ghost模块首先通过卷积生成m张特征图，其中m＜n，接着，Ghost模块对每个内在特征图进行一系列线性运算，使每个内在特征图生成s张Ghost特征图，从而将特征图拓展为n张，其中n＝m·s；每个线性运算的平均核尺寸为d，线性运算的个数为m；由此可得Ghost模块所需的FLOPs计算为： Ghost模块相对于普通卷积的加速比为： 式中，ratios表示Ghost模块相对于普通卷积的加速比；模型参数压缩比为： 式中，ratioc表示模型参数压缩比。

全文数据：

权利要求：

百度查询： 兰州理工大学 一种滚动轴承故障高效诊断方法及系统