轴承故障诊断方法、设备及介质

本发明涉及轴承故障诊断领域，尤其是涉及一种轴承故障诊断方法、设备及介质。背景技术：1、轴承作为旋转机械中的关键部件，其性能直接影响整个机械设备的正常运行。在恶劣环境和波动工况下，轴承容易发生故障，因此对其进行精准、高效的故障诊断显得尤为重要。然而，现有的轴承故障诊断方法存在以下几个缺点：2、(1)噪声干扰的影响：现有的故障诊断方法往往受到噪声干扰的影响，难以达到高诊断精度。在实际应用中，轴承工作环境复杂，伴随着大量的噪声，这些噪声会对故障诊断的准确性造成影响。3、(2)模型泛化能力差：轴承故障诊断的实际应用场景并不单一，当更换使用场景时，现有的故障诊断方法可能会出现模型泛化性能差的问题，进一步影响最终诊断结果。这意味着一个在特定数据集上表现良好的模型，可能在新的或未见过的数据集上表现不佳。4、(3)处理高维非线性数据的能力不足：现有的一些故障诊断方法，如dae(去噪自动编码机)主要针对一维数据进行处理，没有涉及到高维的非线性数据处理，难以发挥深度学习模型处理高维数据的潜力。5、(4)特征提取和权重分配不足：尽管一些方法如cnn(卷积神经网络)具有出色的图像特征提取能力，但对于局部信息的提取能力较弱。此外，现有研究中未能够对不同通道中提取特征的权重进行合理分配，即按照对诊断精度的重要性进行分配。6、综上所述，现有技术在噪声环境下轴承故障诊断方面存在准确性不高、抗噪性能差和模型泛化能力不强等问题。技术实现思路1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种轴承故障诊断方法、设备及介质，以解决现有技术中诊断精度不高、抗噪性能差和模型泛化能力不强的问题。2、本发明的目的可以通过以下技术方案来实现：3、根据本发明的第一方面，提供了一种轴承故障诊断方法，该方法包括：4、采集轴承振动数据；5、对采集到的轴承振动数据进行连续小波变换后得到二维时频数据；6、对所述二维时频数据进行去噪处理；7、将去噪处理后的二维时频数据输入至多通道特征提取模型中进行特征提取；所述多通道特征提取模型中设置有多个特征提取器；8、采用通道权重分配注意力机制cwaa对将所述多通道特征提取模型输出的多个通道提取特征进行权重分配；9、将更新权重后的特征进行融合并分类，输出故障诊断结果。10、优选地，所述对采集到的轴承振动数据进行连续小波变换后得到二维时频数据，具体为：11、12、式中：小波函数的系数由u(α，β)计算得到，表征小波函数与原始信号的相似度；α和β分别为伸缩因子和平移因子，用于改变小波形状和位移，两者均为连续变量；x(t)表示原始信号，即采集到的轴承振动数据；ψ∈l2(r)表示小波基函数；表示ψ(t)的共轭复数；l2(r)为平方可积的实数空间。13、优选地，采用残差卷积去噪自动编码机对所述二维时频数据进行去噪处理；14、优选地，所述残差卷积去噪自动编码机中，编码器部分使用卷积神经网络和池化层进行堆叠，卷积层后面紧跟relu激活函数，解码器部分使用卷积神经网络和下采样层进行堆叠，卷积层后面紧跟relu激活函数，对编码器经relu激活函数后的第一层输出与解码器经relu激活函数后的第三层输出进行残差连接。15、优选地，所述集成学习模型中设置有第一特征提取器、第二特征提取器和第三特征提取器；其中，所述第一特征提取器为swin transformer块，所述第二特征提取器为堆叠的cnn块，所述第三特征提取器为cnn-bilstm块。16、优选地，所述采用通道权重分配注意力机制cwaa对将所述多通道特征提取模型输出的多个通道提取特征进行权重分配，包括：17、将多通道特征提取模型输出的多个通道提取特征输入至sep注意力模块，获得通道权重；18、采用门控权重系数对通道权重进行调节，进行权重分配并更新权重；19、将更新后的权重与原始提取的特征进行逐元素相乘，得到将更新权重后的特征。20、优选地，所述sep注意力模块包括串联设置的通道注意力机制子模块和空间注意力机制子模块。21、优选地，所述门控权重系数表达式为：22、atteni＝softmax(fi*ωi)      (2)23、式中：atteni为第i个通道对应的门控权重系数，fi为第i个通道提取后的特征信息，ωi为第i个通道的信息经过sep attention后得到的权重，softmax(·)为激活函数。24、根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。25、根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。26、与现有技术相比，本发明具有以下有益效果：27、(1)本发明采用通道权重分配注意力机制cwaa对不同通道提取的信息赋予不同大小的权重，能够优化模型对特征的重视程度，以达到对更重要信息的利用，提高运算效率，进一步提升故障诊断的准确性和效率。28、(2)本发明通过构建多通道特征提取模型，通过多个特征提取器来提取特征，以达到提高模型泛化能力的目的，适合更广泛的应用场景，能够有效提高模型在不同轴承振动数据集上的适应性和准确性。29、(3)本发明多通道特征提取模型的特征提取器选用swin transformer块以进行全局特征提取、堆叠的cnn块以增强网络的非线性表达能力，cnn-bilstm块以获取序列间的时间依赖关系，多通道特征提取模型设置能够有效提高模型在不同轴承振动数据集上的适应性和准确性。30、(4)本发明采用残差卷积去噪自动编码机rcdae处理处理高维的非线性轴承振动数据，在对数据局部信息进行去噪的同时，保留了全局信息，更适合处理实际的带有噪声的复杂工况。31、(5)本发明通过结合残差卷积去噪自动编码机rcdae、多通道特征提取模型和通道权重分配注意力机制cwaa，能够有效处理噪声干扰，提升在噪声环境下的轴承故障诊断性能。技术特征：1.一种轴承故障诊断方法，其特征在于，该方法包括：2.根据权利要求1所述的一种轴承故障诊断方法，其特征在于，所述对采集到的轴承振动数据进行连续小波变换后得到二维时频数据，具体为：3.根据权利要求1所述的一种轴承故障诊断方法，其特征在于，采用残差卷积去噪自动编码机对所述二维时频数据进行去噪处理。4.根据权利要求3所述的一种轴承故障诊断方法，其特征在于，所述残差卷积去噪自动编码机中，编码器部分使用卷积神经网络和池化层进行堆叠，卷积层后面紧跟relu激活函数，解码器部分使用卷积神经网络和下采样层进行堆叠，卷积层后面紧跟relu激活函数，对编码器经relu激活函数后的第一层输出与解码器经relu激活函数后的第三层输出进行残差连接。5.根据权利要求1所述的一种轴承故障诊断方法，其特征在于，所述多通道特征提取模型中设置有第一特征提取器、第二特征提取器和第三特征提取器；其中，所述第一特征提取器为swin transformer块，所述第二特征提取器为堆叠的cnn块，所述第三特征提取器为cnn-bilstm块。6.根据权利要求1所述的一种轴承故障诊断方法，其特征在于，所述采用通道权重分配注意力机制cwaa对将所述多通道特征提取模型输出的多个通道提取特征进行权重分配，包括：7.根据权利要求6所述的一种轴承故障诊断方法，其特征在于，所述sep注意力模块包括串联设置的通道注意力机制子模块和空间注意力机制子模块。8.根据权利要求6所述的一种轴承故障诊断方法，其特征在于，所述门控权重系数表达式为：9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。技术总结本发明涉及一种轴承故障诊断方法、设备及介质，该方法包括：采集轴承振动数据；对采集到的轴承振动数据进行连续小波变换后得到二维时频数据；对所述二维时频数据进行去噪处理；将去噪处理后的二维时频数据输入至多通道特征提取模型中进行特征提取；所述多通道特征提取模型中设置有多个特征提取器；采用通道权重分配注意力机制CWAA对将所述多通道特征提取模型输出的多个通道提取特征进行权重分配；将更新权重后的特征进行融合并分类，输出故障诊断结果。与现有技术相比，本发明提升了噪声环境下轴承故障诊断的准确性、抗噪性和泛化能力。技术研发人员：王学根,付广华,刘永辉,杨雨洁受保护的技术使用者：上海海事大学技术研发日：技术公布日：2024/8/16