齿轮减速电机故障的检测方法、装置、计算机设备及存储介质

1.本发明涉及电机故障检测技术领域，特别是涉及一种齿轮减速电机故障的检测方法、装置、计算机设备及存储介质。


背景技术：

2.随着现代科学技术的发展和科技成果在生活中的普及应用，电机已经被大量的使用在工业、农业和生活中的各个方面，例如在工业生产中的机床、起重机、传送带等大量使用的感应电机，在农业生产中的拖拉机、粮食加工机械等大量使用的柴油发电机，在智能家居、智能机器人、汽车中大量使用的齿轮减速直流电机。电机能否正常稳定地工作，决定着整个系统的运行状况，将影响生产生活的方方面面，一旦电机因品质不合格或在长期运行中因各种因素产生故障，不仅会损坏电机本身，而且还会影响系统的正常工作，轻则干扰人民正常的工作生活，重则造成工业生产停滞影响企业的生产效率，甚至会造成严重安全事故，危及人身安全，造成巨大的经济损失。因此有必要对电机进行品质检测和故障诊断。
3.目前对电机的品质检测和故障诊断主要分为两大类，一类是针对电机在大规模生产中，对即将流入市场的电机进行品质检测，防止存在质量问题的电机流入市场，导致各种事故，另一类则是针对电机在生产运行过程中，对电机进行实时的状态监测和故障的诊断，防止电机在长期运行过程中可能由于各种因素产生故障。齿轮减速直流电机使用齿轮减速箱将高转速降为低转速，同时提高转矩的直流电机，一般是在大规模生产中对其进行品质检测，也可以在运行中对其进行实时的故障监测。
4.电机故障诊断方法一般有基于模型的、基于信号的和基于知识的。基于模型的故障诊断方法存在建模复杂、精准建模困难的问题，而基于信号的故障诊断方法在未知或不平衡条件下工作时，性能可能会降低，而基于知识的电机故障诊断方法在目前研究中较为流行，其中基于深度学习的故障诊断方法是其中的热门。
5.但目前的基于深度学习的电机故障诊断方法仍然存在着部分问题。在目前使用卷积神经网络的电机诊断方法中大多都是使用一些浅层的一维或者二维输入的卷积神经网络，其网络层数比较少，大多是不超过10层的结构，更深层的网络结构在电机故障诊断中的性能研究较少，网络模型分类准确率有进一步提升的空间。另一方面，在基于深度学习的电机诊断方法中，其电机数据集一般较小，用于训练深度学习模型容易出现过拟合的现象。


技术实现要素：

6.为了解决上述现有技术的不足，本发明提供了一种齿轮减速电机故障的检测方法、装置、计算机设备及存储介质，该方法通过改进的convnext模型可以有效提升分类准确率；同时利用数据增强技术对数据集进行处理可以有效扩展数据集，实现模型正则化，防止模型出现过拟合现象，使改进的convnext模型具有更好的泛化能力。
7.本发明的第一个目的在于提供一种齿轮减速电机故障检测的方法。
8.本发明的第二个目的在于提供一种齿轮减速电机故障检测的装置。
9.本发明的第三个目的在于提供一种计算机设备。
10.本发明的第四个目的在于提供一种存储介质。
11.本发明的第一个目的可以通过采取如下技术方案达到：
12.一种齿轮减速电机故障的检测方法，所述方法包括：
13.获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；
14.利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；
15.基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；
16.利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检测分类模型；
17.获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。
18.进一步的，所述基于注意力机制的结构块包括三层，其中第一层为卷积核大小为1
×
1的卷积层，第二层为多头注意力机制层，第三层为卷积核大小为1
×
1的卷积层，每层之间都包括gule激活函数和层归一化处理。
19.进一步的，所述利用所述电机数据集对所述改进的convnext网络模型进行训练，包括：
20.在对所述改进的convnext网络模型进行训练前，对所述电机数据集中的rgb功率谱图像进行数据增强处理，以使所述电机数据集包括更多的rgb功率谱图像；
21.基于衰减学习率的方法，利用处理后的电机数据集对所述改进的convnext网络模型进行训练。
22.进一步的，所述数据增强处理包括trivial augment、mixup和random erasing。
23.进一步的，利用余弦退火调整学习率，优化损失值收敛曲线。
24.进一步的，所述对所述振动信号进行处理，包括：
25.将所述振动信号输入信号放大器中，用于放大振动信号；再将放大的信号输入数模转换器中，以使模拟信号转变为数字信号，再将所述数字信号以一维数据的形式保存。
26.进一步的，所述电机为直流电机、感应电机和永磁同步电机中任意一种。
27.本发明的第二个目的可以通过采取如下技术方案达到：
28.一种齿轮减速电机故障的检测装置，所述装置包括：
29.信号获取模块，用于获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；
30.数据集获取模块，用于利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；
31.模型构建模块，用于基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；
32.模型训练模块，用于利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检测分类模型；
33.故障类型检测模块，用于获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。
34.本发明的第三个目的可以通过采取如下技术方案达到：
35.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的检测方法。
36.本发明的第四个目的可以通过采取如下技术方案达到：
37.一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的检测方法。
38.本发明相对于现有技术具有如下的有益效果：
39.1、本发明提供的方法，通过将改进的convnext深度学习分类网络用于齿轮减速电机故障检测中，该改进的convnext网络以多头注意力机制为基础，结合gule激活函数、层归一化处理、卷积层及残差结构，构建基于注意力机制的结构块，替换原convnext网络的部分结构块，将注意力机制引入到纯卷积的convnext网络中。改进的convnext网络相比于原convnext网络在齿轮减速电机故障检测任务中，在相同的训练轮次下具有更高的分类精度和分类准确率。
40.2、本发明提供的方法，利用数据增强技术(trivial augment、mixup和random erasing)对训练集进行数据处理，以扩充训练集，可以有效防止过拟合，实现模型正则化，提高模型分类准确率和泛化性；同时在模型训练过程中引入余弦退火调整学习率的方法，根据训练轮次动态调整模型的学习率，优化训练模型时损失值收敛曲线，使模型损失值可以在全局最优解收敛。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出的结构获得其他的附图。
42.图1为本发明实施例1的齿轮减速电机故障的检测方法的流程图。
43.图2为本发明实施例1的齿轮减速电机故障的检测方法的原理图。
44.图3为本发明实施例1的convnext网络中的基础结构块的结构框图。
45.图4为本发明实施例1的改进的convnext网络中的基于注意力机制的结构块的结构框图。
46.图5为本发明实施例1的余弦退火调整学习率的曲线示意图。
47.图6为本发明实施例3的齿轮减速电机故障的检测装置的结构框图。
48.图7为本发明实施例4的计算机设备的结构框图。
具体实施方式
49.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.实施例1：
51.电机具有多种类型，如直流电机、感应电机和永磁同步电机等，一般对大部分的电机进行故障诊断都是使用振动传感器测量电机的振动信号，并依据电机的振动信号进行故障判断。本发明提供的齿轮减速电机故障的检测方法，适用于上述各种类型电机的故障检测。本实施例以齿轮减速直流电机为例，对本发明提供的方法进行说明。
52.如图1、2所示，本实施例提供了一种齿轮减速电机故障的检测方法，包括以下步骤：
53.s101、采集齿轮减速直流电机的振动信号，并对振动信号进行处理。
54.使用振动传感器采集齿轮减速直流电机在额定功率下空载运行的振动信号，所述振动信号包括齿轮减速电机正常运作的振动信号以及各种类型故障的振动信号。
55.将振动信号输入到信号放大器和数模转换器中，振动信号经过放大，再从模拟信号转变为数字信号后，输入到电脑中以一维数据的形式保存。
56.s102、利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集。
57.将步骤s101得到的振动信号的一维数据，使用离散短时傅里叶变换获取电机振动信号的功率谱密度：
[0058][0059]
其中，p是定义在信号x的样本(时间)n和频率w上的功率谱密度，stft是short time fourier transform(短时傅里叶变换)的缩写，π为圆周率，j为虚数单位，x(m)是电机振动信号一维数据的离散序列形式，m为样本，y(n-m)是分析窗口函数，它在时间上反转并且有n个样本的偏移量，窗口函数沿着离散序列x(m)滑动形成一个个窗口并计算窗口数据的每一段离散傅里叶变换，所采用的窗口函数为海明窗：
[0060][0061]
其中，w(n)为海明窗函数，n为样本数，m为样本总数。
[0062]
计算得到功率谱矩阵p后，功率谱矩阵中的数值将通过归一化和标量颜色映射规则被映射为相应颜色，最后将功率谱矩阵转变成三通道的rgb图像。
[0063]
s103、基于注意力机制和convnext网络模型构建改进的convnext模型。
[0064]
进一步的，步骤s103包括：
[0065]
(1)原convnext网络模型。
[0066]
原convnext网络模型的整体结构如表1所示。
[0067]
表1convnext网络结构
[0068][0069]
convnext网络首先使用卷积核大小为4
×
4、步长为4的卷积层作为网络的第一部分，对输入图像进行下采样操作；第二、三、四、五部分使用convnext网络的基础纯卷积结构块(block)搭建，第二、三、四、五部分的块的数量比为3：3：9：3，convnext网络的基础结构块如图3所示。convnext网络的基础结构块第一层为卷积核大小为7
×
7的深度可分卷积层，第二层和第三层为卷积核为1
×
1卷积层，第一层和第二层之间添加层归一化处理，第二层和第三层之间加入gelu激活函数，输入和经过三个卷积层之后的输出进行相加，形成一种残差结构，作为整个块结构的输出。convnext网络在二至五每个部分间加入分离的下采样层，分离的下采样层由层归一化处理和卷积核大小为2
×
2，步长为2的卷积层组成，实现归一化和下采样功能。
[0070]
(2)改进的convnext网络模型。
[0071]
改进的convnext网络和原convnext网络中前四部分的结构相同，改进点在于convnext网络的第五部分使用多头注意力机制为基础搭建一种基于注意力机制的结构块，其结构如图4所示，第五部分包括多个基于注意力机制的结构块，本实施例中的结构块个数为3。
[0072]
基于注意力机制的块结构的第一层为卷积核大小为1
×
1的卷积层，第二层为多头注意力机制层，第三层为卷积核大小为1
×
1的卷积层，每层之间都含有gule激活函数和层归一化处理，使用残差结构将输入和经网络层后的输出进行相加，作为整个块结构的输出。注意力机制的公式如下：
[0073][0074]
其中，q表示特征图输入与注意力机制层的q线性层进行线性变换后得到的查询向
量，k表示特征图输入与注意力机制层的k线性层进行线性变换后得到的键向量，v表示特征图输入与注意力机制层的v线性层进行线性运算后得到的值向量，为缩放系数。
[0075]
多头注意力机制的公式如下：
[0076][0077]
其中，参数矩阵
[0078]
改进的convnext网络和原convnext网络一样：在二至五每个部分间加入分离的下采样层，分离的下采样层由层归一化处理和卷积核大小为2
×
2，步长为2的卷积层组成，实现归一化和下采样功能。
[0079]
改进的convnext的输出部分和原convnext网络一样，由池化层、层归一化处理、展平处理、线性层组成。改进的convnext网络整体结构如表2所示。
[0080]
表2改进的convnext网络结构
[0081][0082][0083]
s104、基于衰减学习率的方法，利用电机数据集对改进的convnext模型进行训练，得到电机品质检测分类模型。
[0084]
将步骤s102中得到的同类型电机的各种不同品质或故障的电机的功率谱图像划分为训练集和测试集，每个集拥有品质或故障类型数量相同的功率谱图像，但每个具体类型所拥有的图像数量可以不同。
[0085]
对训练集进行数据增强，使训练集包括更多的功率谱图像，使用衰减学习率的方法对模型进行训练，在训练过程中更新模型权重参数，训练完成后获得电机品质检测分类模型。
[0086]
训练过程中引入数据增强技术trivial augment、mixup、random erasing，对训练集进行数据处理，相当于扩充训练集，可以有效防止过拟合，实现模型正则化，提高模型分类准确率，同时引入余弦退火调整学习率的衰减以优化损失值收敛曲线。
[0087]
trivial augment包括多种操作如缩放、裁剪、旋转、对比度调整等，算法如表3所示。
[0088]
表3trivial augment
[0089][0090]
其中，a表示一种数据增强操作，a表示包括多种数据增强操作如缩放、裁剪、旋转、对比度调整等的集合，m表示强度值。
[0091]
random erasing随机对功率谱图像用随机值随机擦除一个矩形区域，不改变图像的标签，可以减少过拟合风险，并使模型对遮挡具有鲁棒性。random erasing算法如表4所示。
[0092]
表4random erasing
[0093]
[0094][0095]
mixup将两类图像进行随机线性组合，同时生成线性组合的标签，扩充数据集，是模型在不同类别之间学会一种线性过度，增强模型泛化性。mixup公式如下：
[0096][0097]
其中xi，xj为图像，yi，yj为图像对应的标签，为混合生成的图像，为混合标签，λ∈[0,1]为概率值。
[0098]
引入余弦退火调整学习率的衰减方法，在多个epoch的训练过程中不断调整学习率，优化训练模型时损失值收敛曲线，使模型在训练早期能以较大的学习率进行学习，加速收敛，在训练后期能以较小的学习率进行调整，使模型在最优值附近进行收敛。余弦退火调整学习率公式如下：
[0099]
[0100]
其中η
t
为当前学习率，η
min
为学习率最小值，η
max
为学习率最大值，t
cur
为当前epoch，t
max
为最大epoch。余弦退火调整学习率曲线如图5所示。
[0101]
当改进的convnext网络模型在测试集上满足所需的较高的分类准确率，则训练结束，得到电机品质检测分类模型。
[0102]
s105、获取待测齿轮减速直流电机的振动信号，将振动信号转换为rgb功率谱图像，将rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。
[0103]
使用基于短时傅里叶变换的特征提取方法获取待测电机的三通道rgb功率谱图，并将三通道rgb功率谱图输入电机品质检测分类模型中，利用电机品质检测分类模型对待测电机的具体品质或故障进行判断，完成对待检测的齿轮减速直流电机的品质或故障检测。
[0104]
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
[0105]
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0106]
实施例2：
[0107]
针对于jl-12fn20-37型号齿轮减速直流电机，使用motech lps-305数控式线性直流稳压电源为电机提供稳定电压，使电机在额定工作电压下正常运行，ct1050lc振动传感器使用12khz的采样频率采集正常运作的电机的振动信号，将该振动信号输入到ct5201单通道恒流适配器和mcc1608g多功能数据采集器中，振动信号经过放大和从模拟信号转变为数字信号后输入到电脑中以一维离散数据的形式保存。
[0108]
对100台正常电机100台故障电机进行数据采集，然后对每台微型齿轮减速直流电机各连续记录20组5s振动时域信号，并对5s时域信号均匀切割成5组1s时域信号并打上标签，标签0表示正常电机，标签1表示有异响的电机，然后对所得1s电机振动信号的一维离散数据使用基于离散短时傅里叶变换方法得到电机振动信号的92
×
129的功率谱矩阵，将该矩阵进行颜色映射即可得到像素大小为92
×
129的三通道rgb图像，最终可获得20000组正常与异常噪音对半的齿轮减速直流电机样品功率谱图数据集。将该数据集按照比例为7：2：1的大小划分为训练集、验证集和测试集。
[0109]
使用pytorch在python环境下使用卷积层、注意力机制、激活函数、线性层等构建改进的convnext网络，读取训练集，并对训练集进行trivial augment、random erasing和mixup的数据增强，并在服务器下使用4张2080ti显卡对改进的convnext网络在训练集下进行300epoch的训练，在训练过程中引入余弦退火调整学习率调整训练过程中的学习率，使学习率衰减，同时使用验证集对训练过程中的模型的分类准确率进行验证，最终训练完成的改进的convnext模型在测试集上可以得到99.501％的分类准确率。
[0110]
使用motech lps-305数控式线性直流稳压电源、ct5201单通道恒流适配器、mcc1608g多功能数据采集器、ct1050lc振动传感器测量并采集待检测jl-12fn20-37型号齿轮减速直流电机在额定工作电压下正常运行的振动信号，将该信号传入电脑的jl-12fn20-37型号齿轮减速直流电机品质检测程序中并将其使用基于短时傅里叶变换的特征提取方
法获取该信号的功率谱图，将该功率谱图输入到部署在电脑程序中的训练完成的改进的convnext模型，该模型将输出该待检测电机的类别是属于正常电机还是产生异常噪声的电机，完成对jl-12fn20-37型号齿轮减速直流电机在工厂生产环境中的品质检测任务，防止次品电机流入市场，造成事故。
[0111]
实施例3：
[0112]
如图6所示，本实施例提供了一种齿轮减速电机故障的检测装置，所述装置包括信号获取模块601、数据集获取模块602、模型构建模块603、模型训练模块604和故障类型检测模块605，其中：
[0113]
信号获取模块601，用于获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；
[0114]
数据集获取模块602，用于利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；
[0115]
模型构建模块603，用于基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；
[0116]
模型训练模块604，用于利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检测分类模型；
[0117]
故障类型检测模块605，用于获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。
[0118]
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
[0119]
实施例4：
[0120]
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图7所示，其通过系统总线701连接的处理器702、存储器、输入装置703、显示器704和网络接口705，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质706和内存储器707，该非易失性存储介质706存储有操作系统、计算机程序和数据库，该内存储器707为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器702执行存储器存储的计算机程序时，实现上述实施例1的检测方法，如下：
[0121]
获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；
[0122]
利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；
[0123]
基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；
[0124]
利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检
测分类模型；
[0125]
获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。
[0126]
实施例5：
[0127]
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的检测方法，如下：
[0128]
获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；
[0129]
利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；
[0130]
基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；
[0131]
利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检测分类模型；
[0132]
获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。
[0133]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0134]
综上所述，本发明提供的齿轮减速电机故障的检测方法，包括：使用振动传感器采集齿轮减速电机在额定功率下空载运行的振动信号。收集到的齿轮减速电机的各种类型的故障的振动信号数据将使用短时傅里叶变换进行特征提取，将一维振动信号转化为三通道rgb图像，并分为训练集、验证集和测试集用于改进的convnext网络进行模型训练。基于多头注意力机制、卷积层、gule激活函数、层归一化和残差结构提出一种深度学习网络模型块，并将该模型块替换部分的具有优秀分类能力的纯卷积模型convnext的原模型块，提出一种改进的convnext模型。在模型训练中，加入数据增强技术，包括trivial augment、mixup和random erasing等，扩充数据集，起到正则化作用，同时使用衰减学习率的方法优化训练模型时损失值收敛曲线。将使用基于短时傅里叶变换的特征提取方法提取的待检测齿轮减速电机的振动特征图输入到训练完成的改进的convnext模型中，模型即可以输出该待检测齿轮减速电机属于什么故障，其品质是否合格。该方法通过使用数据增强技术对模型起到正则化的作用，可以有效防止模型过拟合；同时，相对于传统的基于建模的、基于时频分析的和基于浅层卷积神经网络或普通的深度网络的电机故障检测方法，该方法因使用了改进的convnext深度网络而具有更好的识别精度和分类准确率。
[0135]
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于
此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

技术特征：
1.一种齿轮减速电机故障的检测方法，其特征在于，所述方法包括：获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检测分类模型；获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。2.根据权利要求1所述的检测方法，其特征在于，所述基于注意力机制的结构块包括三层，其中第一层为卷积核大小为1
×
1的卷积层，第二层为多头注意力机制层，第三层为卷积核大小为1
×
1的卷积层，每层之间都包括gule激活函数和层归一化处理。3.根据权利要求1所述的检测方法，其特征在于，所述利用所述电机数据集对所述改进的convnext网络模型进行训练，包括：在对所述改进的convnext网络模型进行训练前，对所述电机数据集中的rgb功率谱图像进行数据增强处理，以使所述电机数据集包括更多的rgb功率谱图像；基于衰减学习率的方法，利用处理后的电机数据集对所述改进的convnext网络模型进行训练。4.根据权利要求3所述的检测方法，其特征在于，所述数据增强处理包括trivial augment、mixup和random erasing。5.根据权利要求3所述的检测方法，其特征在于，利用余弦退火调整学习率，优化损失值收敛曲线。6.根据权利要求1～5任一项所述的检测方法，其特征在于，所述对所述振动信号进行处理，包括：将所述振动信号输入信号放大器中，用于放大振动信号；再将放大的信号输入数模转换器中，以使模拟信号转变为数字信号，再将所述数字信号以一维数据的形式保存。7.根据权利要求1～5任一项所述的检测方法，其特征在于，所述电机为直流电机、感应电机和永磁同步电机中任意一种。8.一种齿轮减速电机故障的检测装置，其特征在于，所述装置包括：信号获取模块，用于获取齿轮减速电机的振动信号，并对所述振动信号进行处理；其中，所述振动信号包括电机正常运作的振动信号以及各种类型故障的振动信号；数据集获取模块，用于利用离散短时傅里叶变换将处理后的振动信号转换为rgb功率谱图像，将rgb功率谱图像作为电机数据集；模型构建模块，用于基于convnext网络模型构建改进的convnext网络模型，所述改进的convnext网络模型通过对原convnext网络模型中的第五部分利用多头注意力机制搭建多个基于注意力机制的结构块；
模型训练模块，用于利用所述电机数据集对所述改进的convnext网络模型进行训练，得到电机品质检测分类模型；故障类型检测模块，用于获取待测齿轮减速电机的振动信号，根据所述振动信号得到rgb功率谱图像，将所述rgb功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的检测方法。10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的检测方法。

技术总结
本发明公开了一种齿轮减速电机故障的检测方法、装置、计算机设备及存储介质，所述方法包括：获取齿轮减速电机的振动信号并进行处理；利用离散短时傅里叶变换将处理后振动信号转换为RGB功率谱图像，将RGB功率谱图像作为电机数据集；基于注意力机制和ConvNeXt网络模型构建改进的ConvNeXt网络模型，利用电机数据集对改进的ConvNeXt网络模型进行训练，得到电机品质检测分类模型；获取待测齿轮减速电机的振动信号，根据振动信号得到RGB功率谱图像并将RGB功率谱图像输入电机品质检测分类模型中，得到待测电机的故障类型。本发明通过构建改进的ConvNeXt网络模型，有效提升了检测分类的精度和准确率。度和准确率。度和准确率。


技术研发人员：谢巍 朱梓丹 张浪文
受保护的技术使用者：华南理工大学
技术研发日：2023.01.16
技术公布日：2023/8/4