(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211042702.7 (22)申请日 2022.08.29 (71)申请人 桂林电子科技大 学 地址 541000 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 何水龙　朱良玉　李慧　陶林　 胡超凡　蒋占四　莫秋云　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 专利代理师 方略 (51)Int.Cl. G01M 13/045(2019.01) G06F 30/27(2020.01) G06F 30/17(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 轴承锈蚀智能诊断方法及系统 (57)摘要 本发明涉及智能诊断技术领域， 提供一种轴 承锈蚀智能诊断方法， 该方法通过采集滚动轴承 在正常、 轻微锈蚀、 重度锈蚀三种状态下的原始 振动数据； 按初始设定的比例截断， 得到训练集 和测试集， 灰度化处理后， 构建基于ECA ‑Net与 EfficientNet的轴承锈蚀智能诊断模型， 输入模 型中进行训练， 损失函数优化神经网络中参数的 权重和偏 置； 判断迭代次数是否达到初始设定的 值， 得到最优模型， 能够通过对网络深度、 网络宽 度以及输入分辨率这三个维度进行有效缩放， 得 到更好的智能诊断模型； 提高轴承锈蚀智能诊断 模型的性能， 将该方法和系统用于诊断轴承的锈 蚀故障， 能够实现对轴承健康状态及锈蚀严重程 度进行准确评估， 提高智能化和准确率。 权利要求书3页 说明书9页 附图2页 CN 115406656 A 2022.11.29 CN 115406656 A 1.一种轴承锈蚀智能故障诊断方法， 其特征在于， 所述轴承锈蚀智能故障诊断方法包 括， 步骤S1， 采集滚动轴承在正常、 轻微锈蚀、 重度锈蚀三种状态下的原 始振动数据； 步骤S2， 按初始设定的比例， 对采集到的三种状态下的原始振动数据进行分别 截断， 得 到用于训练的数据和用于测试的数据； 步骤S3， 按照初始设定的单个样本的采样点数SL， 在截断后的振动数据初始位置处截 取第一个样本， 从初始 位置处确定移动一个采样偏移 量SO， 并截取下一个样本， 生 成训练集 和测试集； 步骤S4， 将训练集和 测试集数据中的所有样本进行 灰度化处 理； 步骤S5， 构建基于ECA ‑Net与EfficientNet的轴承锈蚀智能诊断模型， 设置模型中 的初 始参数； 步骤S6， 将训练集样本输入模型中进行训练， 通过损失函数优化神经网络中参数的权 重和偏置； 步骤S7， 判断迭代次数是否达到初始设定的值， 如否， 则执行步骤S6； 若是， 则训练过程 完成， 并保存最优 模型； 步骤S8， 将测试集数据中的所有样本输入最优模型中， 输出模型对测试集数据中的每 个样本的预测标签； 步骤S9， 将预测标签与训练集中的标签进行比对， 判断并输出当前轴承锈蚀的严重程 度。 2.根据权利要求1所述的轴承锈蚀智能故障诊断方法， 其特征在于， 构建基于ECA ‑Net 与EfficientNet的轴承锈蚀智能诊断模型 过程中包括E CA‑Net子模型构建方法， 步骤S501， 对输入的特 征图进行全局平均池化， 将数据降维； 步骤S502， 采用一维卷积的方式计算特征向量的重要性， 并利用激活函数生成通道间 的权重信息； 步骤S503， 将通道的权重信息乘以原始输入特征， 在通道维度上对原始输入特征的重 新标定。 3.根据权利要求2所述的轴承锈蚀智能故障诊断方法， 其特征在于， 构建基于ECA ‑Net 与EfficientNet的轴承锈蚀智能诊断模型 过程中还 包括EfficientNet子模型构建方法， 步骤S511， 构建一个卷积核尺寸 为3、 步距为2的二维卷积层作为第一模块； 步骤S512， 构建16个移动翻转 瓶颈卷积模块作为第二模块； 步骤S513， 构建一个卷积核尺寸为1、 步距为1的二维卷积层以及一个全局平均池化层 和一个全连接层作为第三模块。 4.根据权利要求3所述的轴承锈蚀智能故障诊断方法， 其特征在于， 移动翻转瓶颈卷积 模块包括深度可分离卷积、 BN批量归一 化、 Swish激活函数、 SE注意力机制、 Dropout层。 5.根据权利要求1 ‑4中任意一项所述的轴承锈蚀智能故障诊断方法， 其特征在于， 在 EfficientNet模 型中第一模块之后以及第三模块全 连接层之前分别添加ECA ‑Net通道注意 力模块。 6.一种用于执行如权利要求1 ‑5中任意一项所述轴承锈蚀智能诊断方法的系统， 其特 征在于， 所述系统包括，权　利　要　求　书 1/3 页 2 CN 115406656 A 2采集单元， 用于采集滚动轴承在正常、 轻微锈蚀、 重度锈蚀三种状态下的原始振动数 据； 截断单元， 用于按初始设定的比例， 对采集到的三种状态下的原始振动数据进行分别 截断， 得到用于训练的数据和用于测试的数据； 预处理单元， 用于按照初始设定的单个样本的采样点数SL， 在截断后的振动数据初始 位置处截取第一个样 本， 从初始 位置处确定移动一个采样偏移 量SO， 并截取下一个样 本， 生 成训练集和 测试集； 灰度化处 理单元， 用于将训练集和 测试集数据中的所有样本进行 灰度化处 理； 初始化单元， 用于构建基于ECA ‑Net与EfficientNet的轴承锈蚀智能诊断模型， 设置模 型中的初始参数； 参数设置单元， 用于将训练集样本输入模型中进行训练， 通过损 失函数优化神经网络 中参数的权 重和偏置； 判断单元， 用于判断迭代次数是否达到初始设定的值， 如否， 则 重新回到参数设置单元 中； 若是， 则训练过程完成， 并保存最优 模型； 标签设置单元， 用于将测试集数据中的所有样本输入最优模型中， 输出模型对测试集 数据中的每 个样本的预测标签； 输出单元， 用于将预测标签与训练集中的标签进行比对， 判断并输出当前轴承锈蚀的 严重程度。 7.根据权利要求6所述的系统， 其特征在于， 所述初始化单元包括基于ECA ‑Net与 EfficientNet的轴 承锈蚀智能诊断模型， 所述基于ECA ‑Net与EfficientNet的轴 承锈蚀智 能诊断模型包括E CA‑Net子模型和Ef ficientNet子模型， 其中， E CA‑Net子模型包括， 数据池化模块， 用于对输入的特 征图进行全局平均池化， 将数据降维； 权重设置模块， 用于采用一维卷积的方式计算特征向量的重要性， 并利用激活函数生 成通道间的权 重信息； 权重设置模块， 用于将通道的权重信息乘以原始输入特征， 在通道维度上对原始输入 特征的重新标定； EfficientNet子模型包括， 第一模块， 包括 一个卷积核尺寸 为3、 步距为2的二维卷积层； 第二模块， 包括16个移动翻转 瓶颈卷积模块； 第三模块， 包括一个卷积核尺寸为1、 步距为1的二维卷积层以及一个全局平均池化层 和一个全连接层。 8.根据权利要求7所述的系统， 其特征在于， 移动翻转瓶颈卷积模块至少包括深度 可分 离卷积、 BN批量归一 化、 Swish激活函数、 SE注意力机制、 Dropout层； EfficientNet模型中的第一模块之后以及第三模块全连接层之前分别连接ECA ‑Net通 道注意力模块。 9.一种电子设备， 其特征在于， 包括存储器和 处理器： 所述存储器， 用于存储计算机程 序； 所述处理器， 用于当执行计算机程序时， 实现如权利要求1 ‑5中任意一项所述的轴承锈 蚀智能诊断方法。 10.一种机器可读存储介质， 该机器可读存储介质上存储有指令， 该指令用于使得机器权　利　要　求　书 2/3 页 3 CN 115406656 A 3