本發(fā)明涉及故障診斷，具體而言，涉及一種滾動軸承的故障診斷方法、裝置、計算機程序產(chǎn)品和檢修平臺。

背景技術(shù)：

1、傳統(tǒng)智能故障診斷方法通過對原始振動信號的時頻域分析來完成對信號特征的提取和故障識別，在面對故障信息豐富多變的實際工況時，往往會導(dǎo)致診斷效果不理想和泛化性能欠佳的問題。因此，需要研究出一種適應(yīng)能力強且受人工提取特征影響較小的故障診斷方法來解決傳統(tǒng)方法的不足。相比于機器學(xué)習(xí)模型淺層的網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)模型網(wǎng)絡(luò)層更深，功能更豐富，擁有較強的自適應(yīng)學(xué)習(xí)特征的能力，能夠?qū)⑻卣鞒槿∨c特征分類融為一體，實現(xiàn)由數(shù)據(jù)到診斷結(jié)果的端到端過程。但是目前應(yīng)用于軸承故障診斷方法都是基于固定的紋理特征類型進行特征分析，沒有考慮到紋理分析的多類型特性和多尺度特性，導(dǎo)致基于深度學(xué)習(xí)的軸承故障診斷方法存在抗噪性能差、泛化性能不足等問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種滾動軸承的故障診斷方法、裝置、計算機程序產(chǎn)品和檢修平臺，以至少解決現(xiàn)有技術(shù)中滾動軸承的故障診斷方法的泛化性能不足的問題。

2、為了實現(xiàn)上述目的，根據(jù)本技術(shù)的一個方面，提供了一種滾動軸承的故障診斷方法，其特征在于，包括：獲取多個振動信號和對應(yīng)的故障情況，并將所述振動信號轉(zhuǎn)換為一維時間序列信號，所述故障情況包括滾動軸承的內(nèi)圈故障、所述滾動軸承的外圈故障、所述滾動軸承的滾動體故障和無故障；采用mtf將多個所述一維時間序列信號進行轉(zhuǎn)換為二維圖像，得到多個故障特征灰度圖像；根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練第一優(yōu)化模型，得到故障診斷模型，所述第一優(yōu)化模型為使用vil作為backbone的yolov8模型；將待檢測滾動軸承的振動信號轉(zhuǎn)換為二維圖像得到目標(biāo)故障特征灰度圖像，并將所述目標(biāo)故障特征灰度圖像輸入所述故障診斷模型，得到所述待檢測滾動軸承的故障情況。

3、可選地，根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練第一優(yōu)化模型，得到故障診斷模型，包括：將所述vil作為所述backbone的yolov8模型確定為所述第一優(yōu)化模型；將所述第一優(yōu)化模型的neck引入acmix，得到第二優(yōu)化模型；根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練所述第二優(yōu)化模型，得到所述故障診斷模型。

4、可選地，根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練第一優(yōu)化模型，得到故障診斷模型，包括：將所述vil作為所述backbone的yolov8模型確定為所述第一優(yōu)化模型；將所述第一優(yōu)化模型的損失函數(shù)替換為mpdiou，得到第三優(yōu)化模型；根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練所述第三優(yōu)化模型，得到所述故障診斷模型。

5、可選地，根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練第一優(yōu)化模型，得到故障診斷模型，包括：將所述vil作為所述backbone的yolov8模型確定為所述第一優(yōu)化模型；將所述第一優(yōu)化模型的neck引入acmix，得到第二優(yōu)化模型；將所述第二優(yōu)化模型的損失函數(shù)替換為mpdiou，得到第四優(yōu)化模型；根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練所述第四優(yōu)化模型，得到所述故障診斷模型。

6、可選地，根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練所述第四優(yōu)化模型，得到所述故障診斷模型，包括：訓(xùn)練步驟，將目標(biāo)故障特征灰度圖像輸入所述第四優(yōu)化模型，得到至少一個預(yù)測框，所述目標(biāo)故障特征灰度圖像為任意一個所述故障特征灰度圖像；獲取步驟，獲取所述目標(biāo)故障特征灰度圖像存在的所述故障情況對應(yīng)的邊界框，得到gt框；驗證步驟，采用計算得到所述預(yù)測框和所述gt框的損失值，其中，為所述預(yù)測框和所述gt框的交集的面積，為所述預(yù)測框和所述gt框的合集的面積，d1為所述預(yù)測框的左上角和所述gt框的左上角的距離，d2為所述預(yù)測框的右上角和所述gt框的右上角的距離；確定步驟，在所述損失值小于損失閾值的情況下，確定所述目標(biāo)故障特征灰度圖像的故障診斷準(zhǔn)確；依次重復(fù)所述訓(xùn)練步驟、所述獲取步驟、所述驗證步驟和所述確定步驟至少一次，直至所有的所述故障特征灰度圖像故障診斷完成，在故障診斷準(zhǔn)確的所述故障特征灰度圖像的占比大于預(yù)定閾值的情況下，確定當(dāng)前的所述第四優(yōu)化模型為所述故障診斷模型。

7、可選地，將所述目標(biāo)故障特征灰度圖像輸入所述故障診斷模型，得到所述待檢測滾動軸承的故障情況，包括：將所述目標(biāo)故障特征灰度圖像輸入所述故障診斷模型，得到多個邊界框和對應(yīng)的故障情況概率，所述故障情況概率為屬于對應(yīng)的所述故障情況的概率；在任意一個所述故障情況概率大于閾值的情況下，確定所述待檢測滾動軸承存在所述故障情況概率對應(yīng)的所述故障情況。

8、可選地，獲取多個振動信號和對應(yīng)的故障情況，并將所述振動信號轉(zhuǎn)換為一維時間序列信號，包括：獲取至少一個內(nèi)圈故障的所述滾動軸承、至少一個外圈故障的所述滾動軸承、至少一個滾動體故障的所述滾動軸承和至少一個無故障的所述滾動軸承；獲取至少一個內(nèi)圈故障的所述滾動軸承在不同載荷下的振動信號、至少一個外圈故障的所述滾動軸承在不同載荷下的振動信號、至少一個滾動體故障的所述滾動軸承在不同載荷下的振動信號以及至少一個無故障的所述滾動軸承在不同載荷下的振動信號，得到多個所述振動信號；將多個所述振動信號轉(zhuǎn)換為時間序列信號并進行歸一化處理，得到所述一維時間序列信號。

9、根據(jù)本技術(shù)的另一方面，提供了一種滾動軸承的故障診斷裝置，包括：獲取單元，用于獲取多個振動信號和對應(yīng)的故障情況，并將所述振動信號轉(zhuǎn)換為一維時間序列信號，所述故障情況包括滾動軸承的內(nèi)圈故障、所述滾動軸承的外圈故障、所述滾動軸承的滾動體故障和無故障；轉(zhuǎn)換單元，用于采用mtf將多個所述一維時間序列信號進行轉(zhuǎn)換為二維圖像，得到多個故障特征灰度圖像；訓(xùn)練單元，用于根據(jù)多個所述故障特征灰度圖像和對應(yīng)的所述故障情況訓(xùn)練第一優(yōu)化模型，得到故障診斷模型，所述第一優(yōu)化模型為使用vil作為backbone的yolov8模型；診斷單元，用于將待檢測滾動軸承的振動信號轉(zhuǎn)換為二維圖像得到目標(biāo)故障特征灰度圖像，并將所述目標(biāo)故障特征灰度圖像輸入所述故障診斷模型，得到所述待檢測滾動軸承的故障情況。

10、根據(jù)本技術(shù)的再一方面，提供了一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)任意一種所述的方法。

11、根據(jù)本技術(shù)的又一方面，提供了一種檢修平臺，包括：一個或多個處理器，存儲器，以及一個或多個程序，其中，所述一個或多個程序被存儲在所述存儲器中，并且被配置為由所述一個或多個處理器執(zhí)行，所述一個或多個程序包括用于執(zhí)行任意一種所述的方法。

12、應(yīng)用本技術(shù)的技術(shù)方案，該方法將振動信號對應(yīng)的一維時間序列信號轉(zhuǎn)換為二維的故障特征灰度圖像，即可采用yolov8模型識別故障，但是yolov8模型的backbone為神經(jīng)網(wǎng)絡(luò)無法提取故障特征灰度圖像的時間序列信息，采用vil作為yolov8模型的backbone，即可保證提取的特征包含時間序列信息，實現(xiàn)準(zhǔn)確診斷滾動軸承的故障情況，無需考慮紋理信息，排除了紋理多變的干擾，提高了泛化性能，解決了現(xiàn)有技術(shù)中滾動軸承的故障診斷方法的泛化性能不足的問題。