本技术提供了一种基于人工智能对轴承故障的分类方法、装置、设备、及存储介质,通过获取由传感器采集到的轴承转动信号,并将所述轴承转动信号进行预处理后进行连续小波变换,以生成二维时频图;接着,调用预训练的鉴别器对所述二维时频图进行滑动特征提取,以生成高度特征和宽度特征,并通过注意力机制根据所述高度特征和所述宽度特征识别出关键特征;再接着,将所述关键特征进行转为一维的特征向量,并将所述一维的特征向量通过多个卷积层和全连接层对所述关键特征进行分类,并输出对应的故障类别,其中,所述故障类别包括内圈故障、外圈故障、以及滚动体故障。解决了现有时域或频域分析中难以捕捉复杂信号特征的问题。
背景技术
旋转机械作为工业生产中的重要组成部分,其健康状态直接关系到整个生产线的运行稳定性。滚动轴承作为旋转机械的重要部件,其故障诊断尤其受到关注。
传统的滚动轴承故障诊断依赖于信号处理和机器学习相结合的技术,通常需要对轴承的振动信号进行处理并提取特征,然后利用机器学习模型进行故障分类。然而,由于实际工况下的数据噪声、类别不平衡和数据分布不一致等问题,传统时域或频域分析中难以捕捉复杂信号特征。
有鉴于此,提出本申请。
实现思路