针对可变分辨率计算可变卷积核的方法、存储介质

1.本发明涉及卷积神经网络技术领域，尤其是针对可变分辨率计算可变卷积核的方法、存储介质。


背景技术：

2.轴承作为机械系统的核心部件之一，对机械系统的高效、稳定、可靠运行至关重要。目前已经开发了很多用于轴承故障分类的方法，传统的进行轴承故障诊断分类的方法可分为三大类：基于信号处理、机器学习和深度学习。基于信号处理的方法需要较多的先验知识，无法实现更高精度和自动化的诊断流程。基于机器学习的轴承故障分类方法需要更多相关技术提取敏感的特征。基于深度学习的轴承故障分类能够从原始数据中自动识别轴承故障的代表性特征，降低对故障特征提取等技术的依赖，从而成为轴承故障诊断的主流技术。
3.同时，基于深度学习的轴承故障诊断分类的方法也可分为三类：分别是基于时域分析方法、基于频域分析方法和基于时频域分析方法。基于时域分析方法在时域范围内是完全局部化的，不包含频域信息。基于频域的分析方法在频域范围内是完全局部化的，不包含时域信息。基于时频域分析方法对时频信号进行分析，时频信号既有时域信息又有频域信息，并且经过小波变换的信号有自动适应时频分析的要求，因此选择经过小波变换的时频信号作为卷积神经网络输入成为一种趋势。
4.但是，将小波变换与卷积神经网络相结合，将经过处理后的时频图像输入卷积神经网络的模型中。若同一卷积神经网络层中的激活单元的感受野大小相同(感受野是指输入空间中影响网络特定单元的区域)，对于在空间位置上的高级卷积神经网络层是不可取的。由于在不同位置有不同尺度或变形的对象，因此难以用相同大小的卷积核进行卷积。


技术实现要素：

5.为了克服上述现有技术中的缺陷，本发明提供针对可变分辨率计算可变卷积核的方法，根据时频图像中各窗口的时域宽度和频域宽度设计可变卷积核，用于解决在不同位置有不同尺度或变形的对象难以用相同大小的卷积核进行卷积的问题。
6.为实现上述目的，本发明采用以下技术方案，包括：
7.针对可变分辨率计算可变卷积核的方法，包括以下步骤；
8.s1，对信号进行小波变换，得到小波变换的时频图像；其中，小波变换中各窗函数的时间分辨率和频率分辨率均不同，时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度均不同；
9.s2，计算时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度
10.s3，根据时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度分别确定与时频图像中各窗口进行卷积的卷积核大小；
11.其中，与时频图像中某窗口进行卷积的卷积核宽度为：该窗口的时域宽度δ(ψ
(a,b)
)四舍五入取整后的值；
12.与时频图像中某窗口进行卷积的卷积核高度为：将该窗口的频域宽度再四舍五入取整后的值。
13.步骤s2中，时频图像中窗口的时域宽度δ(ψ
(a,b)
)和频域宽度的计算方式如下所示：
14.δ(ψ
(a,b)
)＝|a|δ(ψ)
[0015][0016]
其中，a为小波变换的尺度，b为小波变换的位移；a≠0、b为任意实数；
[0017]
ψ表示a＝1、b＝0时的小波变换函数；为ψ进行傅里叶变换后的形式；δ(ψ)为a＝1、b＝0的小波变换的时域宽度；为a＝1、b＝0的小波变换的频域宽度；
[0018]
ψ
(a,b)
表示尺度为a、位移为b的小波变换函数；为ψ
(a,b)
进行傅里叶变换后的形式；δ(ψ
(a,b)
)为尺度为a、位移为b的小波变换的时域宽度；为尺度为a、位移为b的小波变换的频域宽度；
[0019]
由于时频图像中窗口的δ(ψ
(a,b)
)和频域宽度的乘积为一个定值，即
[0020][0021][0022]
又由于小波变换的尺度a的计算方式为：
[0023][0024]
其中，fc为小波中心频率，ts为采样时间，fa为实际频率；
[0025]
且δ(ψ)和的计算方式为：
[0026][0027][0028]
其中，w0、γ均为常数，均为正值；t为时间变量；w为频域变量；i表示虚数符号；
[0029]
因此，求出时频图像各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度的值。
[0030]
步骤s3中，在卷积神经网络的深层中，使用resnet模块对经过卷积核卷积后的张
量进行卷积。
[0031]
所述信号为轴承故障信号，对轴承故障信号进行小波变换，得到轴承故障信号小波变换的时频图像；利用卷积神经网络对轴承故障信号小波变换的时频图像进行特征识别，从而进行轴承故障分类；所述卷积神经网络中的卷积核为可变卷积核，即与时频图像中各窗口进行卷积的卷积核大小不同；且采用步骤s1-s3的方法求解与时频图像中各窗口进行卷积的卷积核大小。
[0032]
本发明还提供了一种针对可变分辨率计算可变卷积核的存储介质，存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1或2或3所述的方法。
[0033]
本发明的优点在于：
[0034]
(1)本发明算法能够根据时频图像中各窗口的时域宽度和频域宽度设计对应的卷积核大小，解决在不同位置有不同尺度或变形的对象难以用相同大小的卷积核进行卷积的问题，使得在更短的时间内进行轴承故障分类诊断获得更高的精度。
[0035]
(2)现有技术为了解决在不同位置有不同尺度或变形的对象难以用相同大小的卷积核进行卷积的问题，主要是在卷积形状和权重的设计等方面做出改进。但是，由于此前的卷积形状和权重的设计都是基于图像而言的，没有从小波变换的时频图像方面进行考量来设计可变卷积核。然而，本发明是从小波变换的时频图像方面设计可变卷积核，具体为根据时频图像中各窗口的时域宽度和频域宽度设计可变卷积核，能够在更短的时间内进行轴承故障诊断分类，从而获得更高的精度。
[0036]
(3)本发明在设计的可变卷积核的方法中嵌入resnet的相关模块，来提取轴承故障的纹理以及细节信息，在浅层使用较大的可变卷积核进行最为原始的纹理细节的特征变化提取，然后在深层使用resnet模块分别对其经过可变卷积核卷积后的张量进行卷积，避免其丢失掉较大局部范围内的特征相关性，从而获得令人满意的轴承故障诊断分类预测性能。
附图说明
[0037]
图1为本发明的可变卷积核的设计方法流程图。
[0038]
图2为小波变换的时频图像窗口示意图。
[0039]
图3为针对时频图像所设计的不同大小的可变卷积核示意图。
具体实施方式
[0040]
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，所描述的实施例仅仅是本发明一部分实施例，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做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。
[0041]
本实施例中，使用的是ut6818机械振动分析及故障模拟实验台进行轴承故障诊断分类数据的采集。试验台主要由发动机、皮带、轴承座、加速度传感器以及轴承部分组成。加速度传感器安装在轴承座上，轴承的速度由三相电机通过弹性联轴器控制。
[0042]
使用ut6818机械振动分析及故障模拟试验台进行数据集收集。通过加速度传感器
连接pc端收集轴承振动信号，并且以51200hz的采样频率收集振动信号。收集轴承故障中的七种状况，包括一种轴承健康无故障状况和六种轴承裂纹故障状况。
[0043]
针对可变分辨率计算可变卷积核的方法，具体如下所示：
[0044]
s1，对轴承振动信号进行信号提取，对提取的轴承故障信号进行小波变换，得到轴承故障信号小波变换的时频图像。本实施例中，对轴承故障时域信号进行gabor变换，得到时频图像。
[0045]
由图2所示，一张时频图像中，纵轴为频率，横轴为时间，随着频率的增加，低频对应着更大的时间窗，高频对应着更大的频率窗，可变卷积核的宽度和高度对应于小波变换中窗函数的时间分辨率和频率分辨率，因此，针对可变分辨率计算可变卷积核时，需要计算时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度
[0046]
s2，计算时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度
[0047]
δ(ψ
(a,b)
)＝|a|δ(ψ)
[0048][0049]
其中，a为小波变换的尺度，b为小波变换的位移；a≠0、b为任意实数；
[0050]
ψ表示a＝1、b＝0时的小波变换函数；为ψ进行傅里叶变换后的形式；δ(ψ)为a＝1、b＝0的小波变换的时域宽度；为a＝1、b＝0的小波变换的频域宽度；
[0051]
ψ
(a,b)
表示尺度为a、位移为b的小波变换函数；为ψ
(a,b)
进行傅里叶变换后的形式；δ(ψ
(a,b)
)为尺度为a、位移为b的小波变换的时域宽度；为尺度为a、位移为b的小波变换的频域宽度；
[0052]
由于时频图像中各窗口的δ(ψ
(a,b)
)和频域宽度的乘积为一个定值，即
[0053][0054][0055]
本实施例中，由gabor变换可知：
[0056][0057]
又由于小波变换的尺度a的计算公式为：
[0058][0059]
其中，fc为小波中心频率，ts为采样时间，fa为实际频率；
[0060]
且δ(ψ)和的计算方式为：
[0061][0062][0063]
其中，w0、γ均为常数，均为正值；gabor函数是由以原点为中心的高斯函数加窗的复值正弦函数，其傅里叶变换是以为w＝w0中心的高斯函数，尽管gabor函数在严格意义上不满足可容许条件，但如果γ足够大，它近似满足该条件；
[0064]
t为时间变量；w为频域变量；i表示虚数符号；
[0065]
因此，可求出时频图像各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度的值。
[0066]
s3，根据时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度分别确定与时频图像中各窗口进行卷积的卷积核大小；
[0067]
其中，与时频图像中某窗口进行卷积的卷积核宽度为：该窗口的时域宽度δ(ψ
(a,b)
)四舍五入取整后的值；
[0068]
与时频图像中某窗口进行卷积的卷积核高度为：将该窗口的频域宽度再四舍五入取整后的值。
[0069]
本实施例中，通过连续gabor变换将轴承故障时域信号制成128
×
128像素大小的时频图像，通过计算得到时频图像中各窗口的时域宽度δ(ψ
(a,b)
)和频域宽度时频图像中窗口的时域宽度δ(ψ
(a,b)
)的取值在(9， ∞)的区间变动，时频图像中窗口的频域宽度的取值在(0，6
×
10-2
)的区间变动。如果按照时频图像中窗口的时域宽度δ(ψ
(a,b)
)和频域宽度的值对卷积核的大小进行1:1的设置是不现实的，因此，本发明选择时频图像中窗口的时域宽度δ(ψ
(a,b)
)四舍五入取整后的值，作为与该窗口进行卷积的卷积核宽度；选择时频图像中窗口频域宽度再四舍五入取整后的值，作为与该窗口进行卷积的卷积核高度。
[0070]
由图3所示，针对图2所示的时频图像中各窗口，设计的若干种不同大小的可变卷积核，在时频图像的不同频率值处由不同大小的可变卷积核和图像进行卷积。
[0071]
确定此若干种不同大小的可变卷积核对整个模型来说至关重要。其中，确定可变卷积核的种类数量，可以使得轴承故障分类效果更好以及时间更短，本实施例中进行了三组实验对比，每组实验的可变卷积核的种类数量不同。
[0072]
本实施例中，基于时频图像为128
×
128像素，三组实验选取的可变卷积核的类别数量分别为3、7、15，第一组实验中，由图3所示，选取3种不同大小的可变卷积核，时频图像分为3块，每块图像大小为64
×
128，其中，高度为64，宽度为128，重叠像素为32。第二组实验中，选取7种不同大小的可变卷积核，时频图像分为7块，每块图像大小为32
×
128，重叠像素为16。第三组实验种，选取15种不同大小的可变卷积核，时频图像分为15块，每块图像大小
为16
×
128，重叠像素为8。
[0073]
按照上述选取分别进行实验，定义150个epoch，训练率为0.01，选取adam作为优化器。使用dropout并将其设置为0.5来用于减少过拟合，损失函数选用交叉熵损失。这三组不同种类数量的可变卷积核的实验结果，分类精度和模型计算时间如表1所示。由表1中的实验数据可知，第一组中对应的精度最高以及模型计算所用时间最少。这是由于将时频图像按像素分为更多块时，不仅增加了模型复杂度还增加了计算时间。并且为了避免丢失分块的边缘信息，将图像按重叠像素取值，但同时也造成了一些数据冗余。由此，所以我们取第一组的3种不同大小的可变卷积核作为本次实验的可变卷积核选取。
[0074]
表1
[0075] 分类精度计算时间(s)第一组99.89
±
0.032292.14第二组99.30
±
0.098832.70第三组99.15
±
0.218994.31
[0076]
本发明中，在浅层使用较大的可变卷积核进行最为原始的纹理细节的特征变化提取，然后在深层使用resnet模块分别对经过卷积核卷积后的张量进行卷积，避免其丢失掉较大局部范围内的特征相关性。例如，总层数为五层，那么可以定义前两层为浅层，后两层为深层。
[0077]
将轴承故障时域信号进行连续gabor小波变换得到时频图像，然后将时频图像按照像素值划分为若干块，为了避免划分的图像块边缘可能会丢失部信息，故像素块部分需重复划分，即像素点重叠。将划分的若干块图像，按照本发明方法计算其对应的可变卷积核的宽度和高度，然后，将不同大小的卷积核与不同的图像块分别进行卷积。接着根据可变卷积核大小使用不同大小的填充(padding)。然后在深层使用resnet模块分别对其经过可变卷积核卷积后的张量进行卷积，经过几次小卷积核进行卷积操作之后，得到若干个三维张量。将三维张量展成得到在某一维度上有相同值的二维张量，将相同维度的二维张量进行拼接，得到一张二维张量图，最后将拼接得来的二维张量图经过两层全连接层，最后输出为自己需要的类别。
[0078]
为了评估基于本发明的卷积神经网络，采集的七种故障类别的数据集进行实验，采用连续五次实验的平均性能作为实验结果，并将本发明的卷积神经网络的分类精度和计算时间，与以下四种现有技术进行对比：
[0079]
深度残差收缩网络(drsn)：drsn使用残差网络，自注意力网络和软阈值化分别减轻卷积神经网络的训练难度，对特征图的通道进行加权以及对信号进行降噪。
[0080]
动态卷积(dynamicconv)：dynamicconv根据相关的注意力动态聚合多个并行卷积核，在不增加网络的深度和宽度的情况下增加模型复杂性。
[0081]
深度残差学习(resnet18)：resnet18将网络层要学习的函数关系变为学习关于层输入的残差函数，使更深的卷积神经网络的训练成为可能。
[0082]
视觉几何组(vgg-19)：vgg-19使用最小的3
×
3卷积核尺寸和最小间隔，在整个图片和多尺度上训练和测试图片，提高了分类精度。
[0083]
对比结果如下表2所示：
[0084]
表2
[0085][0086]
本发明设计了一种新的可变卷积核，确定了卷积核的大小以及种类，用于对轴承故障进行分类。这种方法能够确定可变卷积核的个数以实现轴承故障分类的较优解。并将可变卷积核与卷积神经网络中的resnet相关模块结合来提取轴承故障的纹理以及细节信息。因此，可以获得令人满意的轴承故障分类预测性能。
[0087]
除了上述方法以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书中描述的根据本发明各种实施例的决策行为决策方法中的步骤。
[0088]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0089]
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书方法中描述的根据本发明各种实施例的决策行为决策方法中的步骤。
[0090]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
[0091]
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。