[发明专利]一种基于深度可分离卷积的轴承故障在线诊断方法及系统

权利要求书

1.一种基于深度可分离卷积的轴承故障在线诊断方法，其特征在于：包括：

模型训练步骤，将通过数据采集系统采集的历史振动数据输入到基于深度可分离卷积网络进行训练得到诊断模型；

模型转换与部署步骤，将诊断模型转换保存为TensorFlow.js图层格式，并将转换后的图层格式模型部署到浏览器中；

故障识别步骤，在浏览器中从数据库中加载历史振动数据输入至转换后的图层格式模型进行诊断，得到数据的轴承状态。

2.根据权利要求1所述的基于深度可分离卷积的轴承故障在线诊断方法，其特征在于：所述数据采集系统包括实时控制器、采集卡、加速度传感器；IEPE加速度传感器和采集卡通过传感器连接线连接，将IEPE加速度传感器安装在所测轴承的上方，采集卡一侧插入到实时控制器插槽中；将上位机和实时控制器通过网线相连接；通过上位机设置数据采集的通道配置和采样配置参数，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；将振动数据的实时波形数据采用UDP通信协议将数据上传到数据库进行存储。

3.根据权利要求1所述的基于深度可分离卷积的轴承故障在线诊断方法，其特征在于：所述模型训练步骤具体为：通过上位机下载数据库存储的历史振动数据，把数据由采集保存时的.tdms格式转换成.mat格式，将转换好格式的历史振动数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入基于深度可分离卷积网络进行训练得到诊断模型。

4.根据权利要求1所述的基于深度可分离卷积的轴承故障在线诊断方法，其特征在于：所述基于深度可分离卷积网络包括：1个标准卷积层、4个深度可分离卷积层和2个全连接层。

5.根据权利要求4所述的基于深度可分离卷积的轴承故障在线诊断方法，其特征在于：所述基于深度可分离卷积网络具体设置如下：

第一层：标准卷积层：filter＝16，kernel_size＝3，strides＝16，padding＝same，activation＝ReLu，pool＝MaxPooling，pool_size＝2，input_shape＝2048×1，output_shape＝64×16；

第二层：DW层：filter＝32，kernel_size＝3，strides＝1，padding＝same，activation＝ReLu，pool＝MaxPooling，pool_size＝2，input_shape＝64×16，output_shape＝32×32；

第三层：DW层：filter＝64，kernel_size＝3，strides＝1，padding＝same，activation＝ReLu，pool＝MaxPooling，pool_size＝2，input_shape＝32×32，output_shape＝16×64；

第四层：DW层：filter＝64，kernel_size＝5，strides＝1，padding＝same，activation＝h-swish，pool＝MaxPooling，pool_size＝2，input_shape＝16×64，output_shape＝8×64；

第五层：DW层：filter＝64，kernel_size＝5，strides＝1，padding＝same，activation＝h-swish，pool＝MaxPooling，pool_size＝2，input_shape＝8×64，output_shape＝4×64；

第六层：全连接层：units＝100；activation＝'ReLu'；

第七层：全连接层：units＝4，activation＝'softmax'。