[发明专利]一种基于融合坐标注意力机制的卷积神经网络齿轮箱故障诊断算法

说明书

本发明涉及图像处理、机器学习和深度学习技术，提出了一种基于融合坐标注意力机制的卷积神经网络齿轮箱故障诊断算法，针对传统的故障诊断算法在齿轮箱中故障诊断准确率较低、特征提取困难和实时性差等问题，提出了一种基于注意力机制的齿轮箱故障诊断算法。首先，采集齿轮箱各类故障图像建立数据集，并将其分为训练集、验证集和测试集，然后使用Pytorch框架以轻量型MobileNetV2为基础网络，搭建融合坐标注意力机制神经网络模型。接着将训练集和验证集数据输入融合注意力机制的卷积神经网络中进行故障诊断模型训练，并保存训练后的识别模型，最后使用该模型在测试集上实现对齿轮箱故障图像的诊断识别。

技术领域

本发明涉及图像识别、智能制造和深度学习领域，尤其涉及一种基于融合坐标注意力机制的卷积神经网络齿轮箱故障诊断算法。

背景技术

深度学习是机器学习的子集，其最大的优点是它们尝试以增量方式训练图像，从而学习低级和高级特征。这消除了在提取或工程中对手工制作的特征的需要。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。随着机器学习和深度学习的发展，计算机视觉(CV，Computering Version)已成为深度学习领域的重要发展方向，CV的主要内容就是进行目标识别，图像作为生活中的常见目标一直是CV方向研究热点。使用深度学习进行图像识别的通常方法是通过构建识别对象为图像的神经网络，达到图像识别的高精度与低运算资源消耗。

齿轮箱作为机械设备中用于连接和传递动力的关键部件，在风力发电机、直升机、汽车、农业机械、冶金机械等大型复杂机械装备中得到了广泛的应用。然而，受恶劣工作环境、强负荷、高速、长期连续运行等工作状态的影响，齿轮箱中一些典型的零部件，齿轮、滚动轴承，均容易出现各种类型的故障，进而影响到机械系统整体运行的安全性和可靠性，轻则导致产品或服务质量下降，重则造成巨大的经济损失和人员伤亡。常见的故障类型包括：齿轮损伤主要有轮齿折断、齿面疲劳以及胶合；轴承损坏主要是由润滑和疲劳等方面原因引起；断轴主要是由于齿轮箱轴承在制造中没有消除应力集中因素,在过载或交变应力的作用下,超出了材料的疲劳极限所致；齿轮箱容易产生异常高温现象，要仔细观察，判断发生故障的原因。首先要检查润滑油供应是否充分,特别是在各主要润滑点处,必须要有足够的油液润滑和冷却，再次要检查各传动零部件是否有卡滞现象。还要检查机组的振动情况,前后连接头是否松动等。因此，开展齿轮箱故障诊断技术研究，及时准确地识别出故障模式并为后续维修维护提供指导，对保障机械系统安全可靠运行，避免重大事故的发生具有非常重要的意义。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于融合坐标注意力机制的卷积神经网络齿轮箱故障诊断算法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明涉及一种基于融合坐标注意力机制的卷积神经网络齿轮箱故障诊断算法，包括算法包括以下步骤：

a.使用专业的摄像机搭建采集装置获取齿轮箱故障图像，建立包含不同故障类型的图像数据集；

b.对故障图像进行分类文件存储，并将建立的图像数据集，按照7:2:1的比例划分为训练集、验证集和测试集，并读取待训练的齿轮箱故障图像；

c.基于Pytorch深度学习框架搭建MobileNetV2网络，引入坐标注意力机制，增强网络的特征提取能力，使得模型更加关注齿轮箱故障的感兴趣区域；

d.输入齿轮箱故障图像数据集到搭建好的网络模型中进行识别模型训练，训练集样本和验证集样本分别用于网络提取特征学习，验证模型的收敛性，提升识别性能；

e.通过步骤d得到训练后的故障诊断识别模型的各层权重参数，并保存其模型文件，文件格式为“.pth”；