基于CABB-WDCNN滚动轴承故障检测方法及系统

本发明涉及故障分类，尤其涉及基于cabb-wdcnn滚动轴承故障检测方法及系统。

背景技术：

1、随着工业生产的不断发展，机械设备越来越趋向于大型化、精密化、系统化和自动化，其中滚动轴承是一种常用的机械传动装置，广泛应用于各种机械设备中，如汽车、航空航天、电力工业等领域。它通过滚动摩擦来支撑和传递旋转轴的载荷，具有高效、稳定、耐磨等特点，是现代工业中不可或缺的关键部件之一。但由于长期使用和受工作环境的影响，滚动轴承容易出现各种故障，如磨损、疲劳、裂纹等，严重影响机械设备的可靠性和工作效率，轻则造成一些经济损失，重则危及到工作人员的生命安全。因此，开展滚动轴承故障检测的研究对于提高机械设备的可靠性和安全性具有重要意义。

2、传统的智能滚动轴承故障检测方法主要分为三步：特征提取、特征降维和模式分类。其中特征提取主要算法有小波变换、短时傅里叶变换、统计学特征和经验模式分解等，特征降维主要算法有主成分分析(principal component analysis，pca)、独立成分分析(ica)和自编码器等，模式分类主要算法有支持向量机、bp神经网络、贝叶斯分类和最近邻分类等。这些传统的智能滚动轴承故障检测方法相较于人工观察和听觉检测具有更高的准确性和效率，但它们仍然存在一些局限性，如对大量的训练数据依赖性、特征提取的难度和复杂性等。

3、近年来出现了一些新兴的智能滚动轴承故障检测方法，如深度学习和遗传算法等，其中深度学习作为一种基于神经网络的机器学习方法，具有强大的学习能力和表达能力，能够从大规模数据中自动学习和提取特征，该方法已被广泛应用于图像识别、语音识别和故障识别。目前，滚动轴承依旧面临着多样性的故障类型、复杂的工况变化、传感器数据的噪声和干扰、数据采集和标注的成本以及实时性要求等困难和挑战。因此，提高滚动轴承故障诊断分类的准确性和可靠性仍是现如今轴承研究中需要解决的问题。

技术实现思路

1、针对现有方法的不足，本发明解决在噪音环境下以及变负载情况下诊断性能低的问题。

2、本发明所采用的技术方案是：基于cabb-wdcnn滚动轴承故障检测方法包括以下步骤：

3、步骤一、采集滚动轴承振动数据，并对数据进行预处理；

4、作为本发明的一种优选实施方式，滚动轴承振动数据包括：正常数据、驱动端故障数据和风扇端故障。

5、作为本发明的一种优选实施方式，驱动端故障数据包括内圈故障、外圈故障和滚动体故障。

6、作为本发明的一种优选实施方式，预处理包括：训练集使用重叠采样法进行数据增强，以滑动步长为28从左往右滑动进行采样，测试集则不进行数据增强。

7、步骤二、构建cabb-wdcnn模型，利用宽卷积核直接处理振动信号，并添加bn层减少内部协变量；利用sfe注意力模块重点关注故障诊断有用的特征；并利用bilstm双向捕捉时间序列数据中的动态时间特征。

8、作为本发明的一种优选实施方式，cabb-wdcnn模型包括：5个卷积层、5个池化层、5个sfe层、1个bilstm层、1个全连接层和输出层，每个卷积层和池化层中插入bn和relu，第一个卷积层为64×1卷积核，第二卷积层至第五卷积层为3×1的卷积核，每个池化层和下一个卷积层之间插入sfe层，在第五池化层和全连接层之间插入bilstm层。

9、作为本发明的一种优选实施方式，sfe层包括压缩、激活和重新加权，在压缩阶段添加全局最大池化，并与全局平均池化融合，将每个通道的二维特征压缩为一个实数，接着分别连接第一全连接层、relu、第二全连接和sigmoid操作后进行归一化权重值，将原始特征图与归一化权重值逐一相乘，得到加权后的特征图。

10、作为本发明的一种优选实施方式，将sfe层替换为se层。

11、作为本发明的一种优选实施方式，将bilstm层替换为lstm层。

12、作为本发明的一种优选实施方式，基于cabb-wdcnn滚动轴承故障检测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于cabb-wdcnn滚动轴承故障检测方法。

13、作为本发明的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于cabb-wdcnn滚动轴承故障检测方法。

14、本发明的有益效果：

15、1、将通道注意力机制、bilstm和bn融入到wdcnn模型中，通过直接处理滚动轴承的原始噪音信号以及对其进行分析，实现轴承的故障诊断与分类；

16、2、使用cwru数据集对cabb-wdcnn方法进行测试，得到99.98％故障识别率，与其他先进方法相比，该方法更加具有工程意义，即可以更加有效的识别故障类型；

17、3、在不同噪音环境下和变负载的6种场景下，cabb-wdcnn方法的识别率均高于mlp、svm及wdcnn三种算法，具有较好的抗噪性以及能够适应多变的环境。

技术特征：

1.基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，cabb-wdcnn模型包括：5个卷积层、5个池化层、5个sfe层、1个bilstm层、1个全连接层和输出层，每个卷积层和池化层中插入bn和relu，第一个宽卷积层为64×1卷积核，第二卷积层至第五卷积层为3×1的卷积核，每个池化层和下一个卷积层之间插入sfe层，在第五池化层和全连接层之间插入bilstm层。

3.根据权利要求1所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，sfe层包括：压缩、激活和重新加权，在压缩阶段添加全局最大池化，并与全局平均池化融合，将每个通道的二维特征压缩为一个实数，接着分别连接第一全连接层、relu、第二全连接和sigmoid操作后进行归一化权重值，将原始特征图与归一化权重值逐一相乘，得到加权后的特征图。

4.根据权利要求2所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，将sfe层替换为se层。

5.根据权利要求1所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，将bilstm层替换为lstm层。

6.根据权利要求1所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，滚动轴承振动数据包括：正常数据、驱动端故障数据和风扇端故障。

7.根据权利要求6所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，驱动端故障数据包括内圈故障、外圈故障和滚动体故障。

8.根据权利要求1所述的基于cabb-wdcnn滚动轴承故障检测方法，其特征在于，预处理包括：训练集使用重叠采样法进行数据增强，以滑动步长为28从左往右滑动进行采样。

9.基于cabb-wdcnn滚动轴承故障检测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的基于cabb-wdcnn滚动轴承故障检测方法。

10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于cabb-wdcnn滚动轴承故障检测方法。

技术总结
本发明涉及故障分类技术领域，尤其涉及基于CABB‑WDCNN滚动轴承故障检测方法及系统，包括采集滚动轴承振动数据，并对数据进行预处理；构建CABB‑WDCNN模型，利用宽卷积核直接处理振动信号，并添加BN层减少内部协变量；利用sfe注意力模块重点关注故障诊断有用的特征；并利用BiLSTM双向捕捉时间序列数据中的动态时间特征。本发明解决在噪音环境下以及变负载情况下诊断性能低的问题。

技术研发人员：曹荧荧,郇战,陈瑛,陈震,王乐乐,唐铖杰,潘曦
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/3/21