CN119740011B 一种基于SE-ResNeXt和Informer混合网络模型的滚动轴承故障诊断方法 （河北白沙烟草有限责任公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119740011B(45)授权公告日2025.07.04

(21)申请号202510227526.1

(22)申请日2025.02.27

(65)同一申请的已公布的文献号申请公布号CN119740011A

(43)申请公布日2025.04.01

(73)专利权人河北白沙烟草有限责任公司

地址050035河北省石家庄市高新区槐安

东路666号

(72)发明人王鹏飞郑晓耘吕亚楠刘冬梅

金川咎鑫傅小倩

(74)专利代理机构北京铭创聚诚知识产权代理有限公司13156

专利代理师王志明

(51)Int.CI.

GO6F18/213(2023.01)

GO1M13/04(2019.01)

GO6F18/241(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

GO6N3/045(2023.01)

(56)对比文件

CN114587310A,2022.06.07

CN116687418A,2023.09.05

审查员杨欢

权利要求书4页说明书6页附图7页

(54)发明名称

一种基于SE-ResNeXt和Informer混合网络模型的滚动轴承故障诊断方法

(57)摘要

CN119740011B本发明公开了一种基于SE-ResNeXt和Informer混合网络模型的滚动轴承故障诊断方法，涉及工业过程控制领域，通过SE-ResNeXt中的多个卷积模块提取时序数据的空间特征，加入SE模块用于自适应地调整每个通道的响应强度，结合残差网络的设计使得特征提取过程更加高效，并通过Informer模型进行故障诊断分析。模型在训练过程中采用交叉熵作为损失函数，并通过Adam优化器进行优化，以提高预测的准确性和稳定性。实验结果表明，在公开数据集CWRU上表现出优异的故障诊断能力，具有良好的鲁棒性和

CN119740011B

CN119740011B权利要求书1/4页

2

1.一种基于SE-ResNeXt和Informer混合网络模型的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

数据采集与预处理：滚动轴承故障数据集，所述数据包括十种轴承故障类型，每个数据文件包含驱动端加速度计数据DE、风扇端加速度计数据FE、基本加速度计数据BA、时间序列数据和转速；对数据进行重采样到统一的长度；

将输入的一维时域信号通过快速傅里叶变换FFT转换为频域信号，并使用滑动窗口对原始信号进行分割，生成频谱图像；

特征提取模块：基于SE-ResNeXt网络结构提取频谱图像中的空间特征，结合SE模块增强关键通道特征，并通过分组卷积来提取局部特征，以提取不同尺度的特征信息；

时序建模模块：基于Informer网络，使用自注意力机制和稀疏注意力降低计算复杂度，同时捕捉长时序依赖特征；

输出分类模块：通过全连接层和Softmax函数实现对故障类别的分类。

2.根据权利要求1所述的一种基于SE-ResNeXt和Informer混合网络模型的滚动轴承故障诊断方法，其特征在于，所述数据通过快速傅里叶变换FFT从时序数据转换为频域信号：

使用滑动窗口分割原始时域信号为多个窗口，对每个子信号进行FFT,并提取幅度谱，将所有窗口的幅度谱合并生成一个二维频谱图像，作为SE-ResNeXt的输入。

3.根据权利要求1所述的一种基于SE-ResNeXt和Informer混合网络模型的滚动轴承故障诊断方法，其特征在于，所述数据通过如下流程在特征提取模块SE-ResNeXt中传递：

分组卷积：预处理后的数据进入分组卷积层，其中每个卷积块分别包含用于降维的1×1卷积、用于特征提取的3×3卷积、用于恢复维度的1×1卷积，用于提取局部特征；

SE模块：每个卷积块中加入SE模块，对每个通道进行全局平均池化，提取每个通道的全局信息，再通过全连接层来生成每个通道的权重系数，并通过Sigmoid函数来调整每个通道的特征响应，从而提升模型的表现力；

特征融合：SE模块学习到的权重会与卷积层的输出进行逐元素相乘，从而调整每个通道的特征值；将加权后的通道特征与输入特征相加，形成残差连接。

4.根据权利