本发明涉及故障诊断，具体而言，涉及一种滚动轴承的故障诊断方法、装置、计算机程序产品和检修平台。
背景技术：
1、传统智能故障诊断方法通过对原始振动信号的时频域分析来完成对信号特征的提取和故障识别，在面对故障信息丰富多变的实际工况时，往往会导致诊断效果不理想和泛化性能欠佳的问题。因此，需要研究出一种适应能力强且受人工提取特征影响较小的故障诊断方法来解决传统方法的不足。相比于机器学习模型浅层的网络结构，深度学习模型网络层更深，功能更丰富，拥有较强的自适应学习特征的能力，能够将特征抽取与特征分类融为一体，实现由数据到诊断结果的端到端过程。但是目前应用于轴承故障诊断方法都是基于固定的纹理特征类型进行特征分析，没有考虑到纹理分析的多类型特性和多尺度特性，导致基于深度学习的轴承故障诊断方法存在抗噪性能差、泛化性能不足等问题。
技术实现思路
1、本技术的主要目的在于提供一种滚动轴承的故障诊断方法、装置、计算机程序产品和检修平台，以至少解决现有技术中滚动轴承的故障诊断方法的泛化性能不足的问题。
2、为了实现上述目的，根据本技术的一个方面，提供了一种滚动轴承的故障诊断方法，其特征在于，包括：获取多个振动信号和对应的故障情况，并将所述振动信号转换为一维时间序列信号，所述故障情况包括滚动轴承的内圈故障、所述滚动轴承的外圈故障、所述滚动轴承的滚动体故障和无故障；采用mtf将多个所述一维时间序列信号进行转换为二维图像，得到多个故障特征灰度图像；根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，所述第一优化模型为使用vil作为backbone的yolov8模型；将待检测滚动轴承的振动信号转换为二维图像得到目标故障特征灰度图像，并将所述目标故障特征灰度图像输入所述故障诊断模型，得到所述待检测滚动轴承的故障情况。
3、可选地，根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，包括：将所述vil作为所述backbone的yolov8模型确定为所述第一优化模型；将所述第一优化模型的neck引入acmix，得到第二优化模型；根据多个所述故障特征灰度图像和对应的所述故障情况训练所述第二优化模型，得到所述故障诊断模型。
4、可选地，根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，包括：将所述vil作为所述backbone的yolov8模型确定为所述第一优化模型；将所述第一优化模型的损失函数替换为mpdiou，得到第三优化模型；根据多个所述故障特征灰度图像和对应的所述故障情况训练所述第三优化模型，得到所述故障诊断模型。
5、可选地，根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，包括：将所述vil作为所述backbone的yolov8模型确定为所述第一优化模型；将所述第一优化模型的neck引入acmix，得到第二优化模型；将所述第二优化模型的损失函数替换为mpdiou，得到第四优化模型；根据多个所述故障特征灰度图像和对应的所述故障情况训练所述第四优化模型，得到所述故障诊断模型。
6、可选地，根据多个所述故障特征灰度图像和对应的所述故障情况训练所述第四优化模型，得到所述故障诊断模型，包括：训练步骤，将目标故障特征灰度图像输入所述第四优化模型，得到至少一个预测框，所述目标故障特征灰度图像为任意一个所述故障特征灰度图像；获取步骤，获取所述目标故障特征灰度图像存在的所述故障情况对应的边界框，得到gt框；验证步骤，采用计算得到所述预测框和所述gt框的损失值，其中，为所述预测框和所述gt框的交集的面积，为所述预测框和所述gt框的合集的面积，d1为所述预测框的左上角和所述gt框的左上角的距离，d2为所述预测框的右上角和所述gt框的右上角的距离；确定步骤，在所述损失值小于损失阈值的情况下，确定所述目标故障特征灰度图像的故障诊断准确；依次重复所述训练步骤、所述获取步骤、所述验证步骤和所述确定步骤至少一次，直至所有的所述故障特征灰度图像故障诊断完成，在故障诊断准确的所述故障特征灰度图像的占比大于预定阈值的情况下，确定当前的所述第四优化模型为所述故障诊断模型。
7、可选地，将所述目标故障特征灰度图像输入所述故障诊断模型，得到所述待检测滚动轴承的故障情况，包括：将所述目标故障特征灰度图像输入所述故障诊断模型，得到多个边界框和对应的故障情况概率，所述故障情况概率为属于对应的所述故障情况的概率；在任意一个所述故障情况概率大于阈值的情况下，确定所述待检测滚动轴承存在所述故障情况概率对应的所述故障情况。
8、可选地，获取多个振动信号和对应的故障情况，并将所述振动信号转换为一维时间序列信号，包括：获取至少一个内圈故障的所述滚动轴承、至少一个外圈故障的所述滚动轴承、至少一个滚动体故障的所述滚动轴承和至少一个无故障的所述滚动轴承；获取至少一个内圈故障的所述滚动轴承在不同载荷下的振动信号、至少一个外圈故障的所述滚动轴承在不同载荷下的振动信号、至少一个滚动体故障的所述滚动轴承在不同载荷下的振动信号以及至少一个无故障的所述滚动轴承在不同载荷下的振动信号，得到多个所述振动信号；将多个所述振动信号转换为时间序列信号并进行归一化处理，得到所述一维时间序列信号。
9、根据本技术的另一方面，提供了一种滚动轴承的故障诊断装置，包括：获取单元，用于获取多个振动信号和对应的故障情况，并将所述振动信号转换为一维时间序列信号，所述故障情况包括滚动轴承的内圈故障、所述滚动轴承的外圈故障、所述滚动轴承的滚动体故障和无故障；转换单元，用于采用mtf将多个所述一维时间序列信号进行转换为二维图像，得到多个故障特征灰度图像；训练单元，用于根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，所述第一优化模型为使用vil作为backbone的yolov8模型；诊断单元，用于将待检测滚动轴承的振动信号转换为二维图像得到目标故障特征灰度图像，并将所述目标故障特征灰度图像输入所述故障诊断模型，得到所述待检测滚动轴承的故障情况。
10、根据本技术的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现任意一种所述的方法。
11、根据本技术的又一方面，提供了一种检修平台，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
12、应用本技术的技术方案，该方法将振动信号对应的一维时间序列信号转换为二维的故障特征灰度图像，即可采用yolov8模型识别故障，但是yolov8模型的backbone为神经网络无法提取故障特征灰度图像的时间序列信息，采用vil作为yolov8模型的backbone，即可保证提取的特征包含时间序列信息，实现准确诊断滚动轴承的故障情况，无需考虑纹理信息，排除了纹理多变的干扰，提高了泛化性能，解决了现有技术中滚动轴承的故障诊断方法的泛化性能不足的问题。
1.一种滚动轴承的故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，包括：
3.根据权利要求1所述的方法，其特征在于，根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，包括：
4.根据权利要求1所述的方法，其特征在于，根据多个所述故障特征灰度图像和对应的所述故障情况训练第一优化模型，得到故障诊断模型，包括：
5.根据权利要求4所述的方法，其特征在于，根据多个所述故障特征灰度图像和对应的所述故障情况训练所述第四优化模型，得到所述故障诊断模型，包括：
6.根据权利要求1至5中任一项所述的方法，其特征在于，将所述目标故障特征灰度图像输入所述故障诊断模型，得到所述待检测滚动轴承的故障情况，包括：
7.根据权利要求1至5中任一项所述的方法，其特征在于，获取多个振动信号和对应的故障情况，并将所述振动信号转换为一维时间序列信号，包括：
8.一种滚动轴承的故障诊断装置，其特征在于，包括：
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的方法。
10.一种检修平台，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。
