[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

说明书

本发明公开了一种基于深度可分离卷积的轴承故障在线诊断方法，包括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；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；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。公开了一种诊断系统，包括模型训练模块，模型转换与部署模块，故障识别步骤模块。本发明通过深度可分离卷积思想搭建故障诊断模型，并将模型部署到浏览器中进行在线故障诊断；本发明方法在保证诊断准确率的前提下，使模型的体积和运算量大大减少，大幅度的提升模型的运行速度，有效地控制了运行成本。

技术领域

本发明涉及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，属于机械设备的故障诊断领域。

背景技术

为了及时发现工业生产过程中的隐患，需要对运行中的机械系统关键部件的健康状况进行监测。传统上对轴承的故障诊断都是利用采集设备将振动数据采集保存下来，然后采用人工特征提取进行故障分析，不仅成本高，而且高度依赖先验知识，诊断结果极大地受人为因素的影响。近些年由于人工智能的兴起，神经网络也在故障诊断领域取得了质的飞跃。目前基于神经网络的智能诊断的诊断精度和效率得到了极大提高，很大程度上避免了传统浅度学习中人为因素的干扰。但伴随着人们过分追求诊断的准确率，神经网络模型层数越来越多，运算量也呈指数式暴增，硬件资源一般的计算机或嵌入式系统的能力无法满足深度学习的需求，想要依靠神经网络自动实现轴承故障诊断，就必须配置高性能、硬件资源丰富的平台。高性能平台及采集设备高昂的费用，加上需要监测的测点数量之多，这些因素在很大程度上阻碍了卷积神经网络在故障诊断领域的发展。因此如何在保证精度的前提下减小模型的体积和参数量，将模型能够部署到算力一般、价格相对便宜的系统上是一个急需解决的问题。

发明内容

本发明提供了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，通过深度可分离卷积搭建故障诊断模型，并进一步用于浏览器实现在线的故障诊断，可以进一步解决现有诊断模型参数量大、占用资源多、难以直接将大型网络部署在算力较差设备上的问题。

本发明的技术方案是：一种基于深度可分离卷积的轴承故障在线诊断方法，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。

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。

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。

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。

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；