[发明专利]一种轴承故障的分类方法、装置、设备及存储介质

说明书

本发明公开了一种轴承故障的分类方法、装置、设备及存储介质。该方法包括：根据轴承故障状态下的振动信号，确定轴承图像数据；通过残差块对所述轴承图像数据进行处理得到轴承深度特征；所述残差块通过因果空洞卷积层构建；通过基础特征提取单元，从所述轴承图像数据提取轴承基础特征；对所述轴承深度特征和轴承基础特征进行融合，并根据融合结果确定轴承故障类型。本发明实施例可以简化迭代学习的目标和难度，有效提高模型的分类能力。

技术领域

本发明涉及故障分类技术领域，尤其涉及一种轴承故障的分类方法、装置、设备及存储介质。

背景技术

轴承磨损故障在电机的使用中非常常见，主要产生原因是运输和使用过程中轴承内外圈与钢球之间振动相对摩擦而造成。对于轴承故障来说，任何一种细微特征的局部故障都有一定可能被不断延伸、放大至机械设备的整个运转系统，从而造成不必要的设备损坏以及经济损失。如何在轴承发生故障时，就能根据发现并确定故障类型，便成为本领域的重要问题。

当前有研究人员开始引入深度学习模型来对轴承故障数据进行学习，并基于深度学习模型来对发现并分类故障。然而由于轴承故障数据收集难度大且收集成本高，大部分轴承故障数据的数据量较少，且存在噪声干扰。这些模型分类结果普遍较差，无法适应现代设备的需要。

发明内容

本发明提供了一种轴承故障的分类方法、装置、设备及存储介质，以简化迭代学习的目标和难度，有效提高模型的分类能力。

根据本发明的一方面，提供了一种轴承故障的分类方法，包括：

根据轴承故障状态下的振动信号，确定轴承图像数据；

通过残差块对所述轴承图像数据进行处理得到轴承深度特征；所述残差块通过因果空洞卷积层构建；

通过基础特征提取单元，从所述轴承图像数据提取轴承基础特征；

对所述轴承深度特征和轴承基础特征进行融合，并根据融合结果确定轴承故障类型。

根据本发明的另一方面，提供了一种轴承故障的分类装置，包括：

图像数据确定模块，用于根据轴承故障状态下的振动信号，确定轴承图像数据；

深度特征确定模块，用于通过残差块对所述轴承图像数据进行处理得到轴承深度特征；所述残差块通过因果空洞卷积层构建；

基础特征确定模块，用于通过基础特征提取单元，从所述轴承图像数据提取轴承基础特征；

故障类型确定模块，用于对所述轴承深度特征和轴承基础特征进行融合，并根据融合结果确定轴承故障类型。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的轴承故障的分类方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的轴承故障的分类方法。

本发明实施例通过基于因果空洞卷积层构建的残差块来获取轴承深度特征，并与轴承基础特征融合来确定轴承故障类型，简化了迭代学习的目标和难度，有效提高噪声状态下的分类能力。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明