爱游戏官方网站一种轴承故障的分类方法、装置、设备及存储介质2.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。

　　3.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。

　　4.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。

　　7.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；

　　12.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；

　　14.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。

　　18.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。

　　19.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。

　　20.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。

　　21.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。本发明的特征将通过以下的说明书而变得容易理解。

　　22.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

　　32.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

　　33.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的步骤或单元。

　　34.图1a为本发明一实施例提供的一种轴承故障的分类方法的流程图，本实施例可适用于利用轴承故障状态下的信号，对轴承故障进行分类情况，该方法可以由轴承故障的分类装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于具备相应数据处理能力的电子设备中。如图1所示，该方法包括：

　　36.具体的，在轴承出现故障时，通过采集设备采集其工作时产生的振动信号。但此时的振动信号多以波形的形式存在，无法直接被神经网络(模型)进行处理，因而需要将其转换为可被处理的轴承图像数据。在本发明中，该轴承图像数据可以是n

　　38.从轴承故障状态下的振动信号中采集预设数量的连续采样点；以小于预设数量的取样步长对所述连续取样点重叠取样得到多个取样数据；通过连续小波变换将所述取样数据转化为时频图像；将所述时频图像转化为n

　　39.具体的，从原始轴承故障振动信号中截取预设数量(例如2048)个连续采样点，利用连续小波变换(continue wavelet transform，cwt)将截取的连续采样点转化为时频图像，最后将该时频图像进行灰化处理，转换成大小为n

　　n的灰度图以输入神经网络模型中。在从原始的振动信号取样的过程中，为了扩充数据集，可以步长为小于预设数量的取样步长(例如512)截取连续采样点，即以重叠截取的方式从一段连续采样点中获取至少两个取样数据，扩充了轴承图像数据的数量和信息丰富度，提高对轴承故障类型的分类效果。而本发明使用cwt对收集到的轴承故障信号进行预处理的方式如下：对于一维振动信号x(t)，对该信号进行cwt可表示为如下等式(1)：其中，a和b分别控制小波的两个变换，a为时间轴尺度伸缩参数，b为时间平移参数。若a＞1，则母小波ψ(t)在时间轴上被拉宽且振幅被压低，ψ

　　由于morlet小波与轴承缺陷产生的冲击特征相匹配，即morlet小波可用于反馈因轴承故障工作而产生的冲击特征。因此本研究morlet小波应用于cwt。对于morlet小波函数的定义如等式(2)所示，其中c表示规范化常数。

　　示例性的，图1b是本发明一实施例提供的一种获取轴承图像数据的示意图。其中，先从原始轴承故障信号中截取2048个采样点，再以512的取样步长得到多个取样数据，对每段取样数据进行cwt预处理、图像灰化并修改图像大小，最后得到大小为n

　　s120、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。

　　具体的，为了提取轴承故障振动信号更深层次的故障特征，加入残差块来实现模型的跨层连接，使得模型中较深的层可以直接学习浅层的特征向量。残差块可以通过将输

　　入的轴承故障特征向量以分支形式传到输出，来能保护特征向量的完整性，使得整个模型则只需要学习各个模块中输入与输出存在差别的部分，极大地简化了迭代学习的目标和难度。由于轴承故障信号数据是以序列的形式呈现，因此在构建残差块时需要考虑故障序列的时间维度。基于上述考虑，本发明在构建残差块时使用因果空洞卷积层代替了传统的二维卷积层。类似于经典的二维卷积网络，因果卷积依旧存在对时间的建模长度受限于卷积核大小的问题。为了解决这个问题，本发明使用因果空洞卷积代替了因果卷积以构建残差块，来利用残差块结构得到轴承深度特征，从而在对数据进行滤波时获得更长的依赖关系，有效提高噪声状态下的分类结果。

　　表示卷积核的大小。等式(3)中si表示除了本层之外之前所有层中步长的乘积，对于si的定义如等式(4)所示：

　　示例性的，图1c是本发明一实施例提供的一种因果空洞卷积层的示意图。其中，根据上一时刻t的输入x1，......，x

　　具体的，通过基础特征提取单元来获取轴承故障数据的浅层特征，避免因获取轴承深度特征过程中由于卷积网络层数加深而丢失轴承故障数据的浅层特征，从而提高模型对故障类型的分类效果。

　　具体的，将获得的轴承深度特征和轴承基础特征求和，得到残差块的输出特征向量-融合结果，并依次由展平层、全连接层，以及softmax层对该融合结果进行处理，最终实现利用神经网络得到轴承故障的分类结果。

　　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结果。

　　s220、通过所述因果空洞卷积层提取所述轴承图像数据的轴承因果空洞特征；批量归一化并激活所述轴承因果空洞特征，得到轴承深度特征。

　　具体的的，在使用因果空洞卷积代替因果卷积以构建残差块之外，在残差块中还引入批量归一化(batch normalization，bn)和relu激活函数的使用。通过因果空洞卷积层提取所述轴承图像数据的轴承因果空洞特征之后，进行批量归一化操作和利用relu激活函数激活特征，再将处理后特征向量输入至dropout层，最终得到轴承深度特征。

　　示例性的，图2b是本发明又一实施例提供的一种残差块结构的示意图。其中，该残差块利用因果空洞卷积层和其他残差块结构进行了两次特征的提取，得到轴承深度特征，并将轴承深度特征与基础基础特征提取单元(1

　　s230、通过局部二值卷积层获取所述轴承图像数据的初始特征；批量归一化并激活所述初始特征，得到所述轴承图像的初始激活特征，用于将所述初始激活特征作为所述残差块的输入。

　　具体的，将轴承图像数据输入至局部二值卷积层(lbc)层进行特征提取，得到初始特征。随后对该特征向量进行归一化处理和relu激活函数激活。对于处理后特征向量继续输入进二维卷积层以及bn+relu层进行进一步的深层特征提取，并重复至少一次或多次基于二维卷积层以及bn+relu层的深层特征提取。为了避免因网络层数加深而丢失轴承故障数据的浅层特征，本发明中增添了1x1卷积层以提取数据的浅层特征，并将所获取得的(初始激活特征)深度特征与1x1卷积层提取的浅层特征一并作为残差块的输入。

　　示例性的，图2c是根据本发明又一实施例提供的一种神经网络模型的示意图。其中，将预处理后的故障数据(轴承图像数据)输入至lbc层，由lbc将轴承图像数据转换为特征向量，并在进行归一化和激活函数激活后。同时进行两个分支的处理，一是重复利用二维卷积层和bn+relu层来获取轴承故障数据的深层特征，二是利用1

　　1卷积层保留轴承故障数据的浅层特征。再利用残差块将深层特征进一步处理后与浅层特征相融合，对于残差块的融合过程，可以重复进行一次或多次，最后由依次输入展平层、全连接层，以及softmax层依次对该融合结果进行处理，以得到最终的输出分类结果。

　　通过所述局部二值卷积层中至少两个卷积核，得到所述轴承图像数据滤波后的目标差分图；利用非线性激活函数激活所述目标差分图，并基于所述目标差分图对应学习权重，得到所述轴承图像数据的初始特征。

　　具体的，lbp对于中心像素(xn，yn)的特征提取过程如等式(6)所示，其中n表示原始矩阵的大小，im表示第m个相邻元素的值，in则表示矩阵中心元素的值。如果im＞in，则s(im，in)＝1，否则s(im，in)＝0。n表示原始矩阵的大小，im表示第m个相邻元素的值，in则表示矩阵中心元素的值。如果im＞in，则s(im，in)＝1，否则s(im，in)＝0。

　　对于lbc层，本发明基于局部二值模式设计了lbc卷积核。与传统的卷积核类似，lbc卷积核也利用卷积核扫描输入的矩阵，lbc层的卷积过程如等式(7)所示，s表示输入通道，t表示输出通道。模型中的lbc层由m个预定义的卷积滤波器组成，其中bi，i∈[m]。lbc层中的卷积核对输入图像x

　　进行滤波，生成m个差分图，随后通过非线性激活函数对生成的差分图进行激活，生成m个激活后的特征图。本发明使用relu激活函数代替了传统局部二值模式中所使用的heaviside阶跃函数。随后将m个激活后的特征图与m个可学习的权重v

　　相结合，从而生成lbc层响应的一个信道。模型中lbc层输出的特征图则被用作模型下一层的输入x1+1。

　　示例性的，图2d是根据本发明又一实施例提供的一种局部二值模式计算过程的示意图。其中，假设该滤波器所获得的矩阵大小为3

　　3，将中心像素的每个邻域像素值以该中心像素的灰度值为阈值进行二值量化，大于或等于中心像素的像素值则编码为1，否则为0，以此形成一个局部二进制模式。随后，按顺序读取这些二进制数，并用预定义的由基数2构成的十进制数进行相乘，如与预定义的权重向量[20，21，22，23，24，25，26，27]相乘。通过将这些矩阵的相应元素的乘积求和，可获得最终结果。图像中的每个像素都可以通过局部二值计算从而得到一个局部二值模式结果。

　　本发明实施例通过引入局部二值卷积层，提高模型对于故障特征提取的性能，并在此基础上通过设计新型的残差块以构造时域网络，从而对提取的特征向量进行分类。本发明实施例将设计的lbc层与构造的时域网络相结合实现轴承故障诊断，对于提高滚动轴承故障诊断准确率，以及提高在缺乏故障数据样本以及噪声环境下的准确率，保障滚动轴承的安全，稳定运行具有重要的理论意义及实用价值。

　　深度特征确定模块320，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；

　　故障类型确定模块340，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。

　　本发明实施例所提供的轴承故障的分类装置可执行本发明任意实施例所提供的轴承故障的分类方法，具备执行方法相应的功能模块和有益效果

　　通过所述因果空洞卷积层提取所述轴承图像数据的轴承因果空洞特征；批量归一化并激活所述轴承因果空洞特征，得到轴承深度特征。

　　从轴承故障状态下的振动信号中采集预设数量的连续采样点；以小于预设数量的取样步长对所述连续取样点重叠取样得到多个取样数据；通过将所述取样数据转化为时频图像；将所述时频图像转化为n

　　激活特征确定模块，用于批量归一化并激活所述初始特征，得到所述轴承图像的初始激活特征，用于将所述初始激活特征作为所述残差块的输入。

　　通过所述局部二值卷积层中至少两个卷积核，得到所述轴承图像数据滤波后的目标差分图；利用非线性激活函数激活所述目标差分图，并基于所述目标差分图对应学习权重，得到所述轴承图像数据的初始特征。

　　进一步说明的的轴承故障的分类装置也可执行本发明任意实施例所提供的轴承故障的分类方法，具备执行方法相应的功能模块和有益效果。

　　图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

　　如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(rom)42、随机访问存储器(ram)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(rom)42中的计算机程序或者从存储单元48加载到随机访问存储器(ram)43中的计算机程序，来执行各种适当的动作和处理。在ram 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、rom 42以及ram 43通过总线彼此相连。输入/输出(i/o)接口45也连接至总线中的多个部件连接至i/o接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

　　处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适

　　当的处理器、、微等。处理器41执行上文所描述的各个方法和处理，例如轴承故障的分类方法。

　　在一些实施例中，轴承故障的分类方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由rom 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到ram 43并由处理器41执行时，可以执行上文描述的轴承故障的分类方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行轴承故障的分类方法。

　　本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统爱游戏官网、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

　　用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

　　在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

　　为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

　　可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部

　　件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。

　　计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。

　　应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

　　上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

　　1.计算机视觉 2.无线.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用