本发明涉及一种基于图像信息的滚动轴承故障识别方法，属于机械系统故障诊断领域。
背景技术：
1、在现代工业设备中，滚动轴承作为机械传动系统中的关键部件，常被人们比作机械结构的关节，它具有摩擦小、易安装、效率高、润滑易实现等优点，完美适用于旋转运动，因此滚动轴承广泛应用于各种机械设备中，如汽车、飞机、电机、家用电器等。其运行状况直接影响到设备的稳定性和寿命。滚动轴承的故障不仅会导致设备停机，还可能引发更严重的机械损伤，甚至安全事故。因此，滚动轴承故障的早期识别和诊断显得尤为重要。
2、传统的故障识别方法主要依赖于振动分析技术和频谱分析技术，前者是通过分析振动信号来判断轴承的运行状态，后者是通过频谱分析技术来检测轴承的故障信号，获取理论缺陷频率和边带频率。然而，这些方法往往需要复杂的信号处理算法以及深厚的理论知识基础，并且滚动轴承故障信号通常具有非线性和非平稳的特点，振动信号中常常包含大量噪声，传统频谱分析和振动分析方法在处理此类信号时可能表现不佳，难以准确捕捉故障特征，使得判断故障类型变得更加困难。此外基于深度学习的现代故障诊断方法是利用提取神经网络的特征进行故障诊断的，往往只能识别出故障类型而不能提取出故障数据所包含的信息，如故障特征频率、故障特征频率的谐波等特征。因此，现有方法在完成故障识别的同时提取出数据所包含的特征时，通常难以获得准确的结果，限制了其在实际应用中的有效性。
技术实现思路
1、本发明提供了一种基于图像信息的滚动轴承故障识别方法，通过对真实的滚动轴承的振动信号进行包络分析得到包络谱；接着引入先验知识，计算不同故障下对应的特征频率及其谐波，并利用标注工具对包络谱图片的故障特征频率及其谐波进行标注以参与滚动轴承信息识别模型的训练；将不带标签的包络特征图作为训练好的滚动轴承信息识别模型的输入，就可根据模型输出结果计算识别对象对应的实际频率值，实现对故障的识别诊断。
2、本发明的技术方案是：
3、本发明提供了一种基于图像信息的滚动轴承故障识别方法，包括：
4、s1、对真实的滚动轴承振动信号进行数据分段处理，获得分段后的滚动轴承振动信号；对每一段滚动轴承振动信号进行带通滤波处理，获得带通滤波处理后的振动信号；应用hilbert变换提取带通滤波处理后的振动信号的包络信号，对包络信号进行快速傅里叶变换以获得预设频率下的包络谱，将包络谱图片保存为图片格式，以构建样本集；对样本集划分为训练集、验证集和测试集；
5、s2、引入先验知识，计算滚动轴承不同故障下对应的特征频率及其谐波，以此作为标准值；并利用标注工具对训练集、验证集中的图片的故障特征频率及其谐波进行标注，获得带标签的包络特征图；其中，标签采用文本格式存储；
6、s3、将带标签的包络特征图作为滚动轴承信息识别模型的输入，滚动轴承信息识别模型通过backbone骨干网络和neck网络进行特征融合后输入head网络，得到预测框的位置和置信度，采用非极大值抑制筛选预测框，计算损失函数调节权重参数，通过不断训练优化模型参数，得到最佳权重数据；载入最佳权重数据获得训练好的滚动轴承信息识别模型；
7、s4、将测试集的包络谱图片输入训练好的滚动轴承信息识别模型以获得预测结果；依据预测结果确定故障类型。
8、所述s3，具体为：将带标签的包络特征图作为输入，然后对带标签的包络特征图进行预处理，预处理包括mosaic数据增强、自适应锚框计算和自适应图片缩放；预处理后的图片作为backbone骨干网络的输入，经过特征提取后得到三个不同大小的特征图p1、p2、p3；将特征提取得到的三个不同大小的特征图作为neck网络的输入，经过特征融合后得到三个不同尺度大小的特征图m1、m2、m3；将特征融合得到的三个尺度的特征图输入head网络，经过检测器得到三个不同大小的特征张量，即包含三个不同大小的特征图，根据标注的物体框大小不同，会自动分配到对应的锚框和特征图，然后在特征图上进行预测，获得中间预测信息；通过中间预测信息计算置信度与每个故障类型概率概率的乘积，计算每个预测框中所有类型的分值，每个预测框中分值最大的，即确定相对应的故障类型；通过设置阈值，高于阈值的预测框被保留；对于确定故障类型的预测框，选用非极大值抑制的方法不断地筛选有所重叠的预测框，留下分值最高的预测框作为该故障类型的预测框；通过损失函数的计算来调节权重参数，通过计算准确率、平均精度来不断优化模型参数。
9、所述依据预测结果确定故障类型，具体为：依据模型输出的预测框的左上角和右下角的像素坐标，计算出预测框中心点的像素坐标；依据留白横向像素尺寸、预测框中心点的像素坐标，获得相对于坐标系的预测框的中心点的像素横坐标；通过计算坐标系横向区间长度与坐标系的横向像素尺寸的比例值，并依据相对于坐标系的预测框的中心点的像素横坐标，以获得预测框中心点的横坐标所对应的实际频率值，按此步骤，能够依次计算出每个预测框的中心点所对应的实际频率值，将各预测框的中心点所对应的实际频率值与不同故障类型下的标准值进行对比，从而判断出故障类型。
10、本发明的有益效果是：本发明通过对滚动轴承的振动信号进行包络分析得到包络谱图，引入滚动轴承型号、电机转速等先验知识，计算识别对象对应的频率值，利用标注工具对包络特征图中的故障特征频率及其谐波进行标注，进而将标注后的包络特征图作为滚动轴承信息识别模型的输入，通过训练优化模型参数，得到最佳权重数据，选用测试集数据对训练好的滚动轴承信息识别模型进行测试，根据模型输出结果计算识别对象对应的实际频率值，进而判断故障类别。相比传统的振动分析方法，本发明方法在噪声环境中的表现更为稳定，且具有更高的自动化程度和实时性，不仅可以提高故障诊断的准确性，还能有效减少维护成本和停机时间。
1.一种基于图像信息的滚动轴承故障识别方法，其特征在于，包括：
2.根据权利要求1所述的基于图像信息的滚动轴承故障识别方法，其特征在于，所述s3，具体为：
3.根据权利要求1所述的基于图像信息的滚动轴承故障识别方法，其特征在于，所述依据预测结果确定故障类型，具体为：
