[发明专利]基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法

权利要求书

1.一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

S1：以采样频率f_s采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号x_m[n]，其中m＝1,2,…,M，M表示所采集的加速度振动信号的数量，n＝1,2,…,N，N表示每个加速度振动信号中的采样点数量，从而获取加速度振动信号集X＝{x₁[n],x₂[n],...,x_M[n]}；并根据各个加速度振动信号x_m[n]所对应的故障状态，设置故障状态标签；

S2：对每一个加速度振动信号x_m[n]进行标准化处理，得到信号

S3：构建多分支多尺度卷积神经网络模型，包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层，其中：

低频分支卷积网络用于提取输入信号中的低频分量，并通过卷积操作得到其输出特征y^L；

恒等映射分支卷积网络用于对输入信号进行恒等映射操作，得到输出特征y^I；

去噪分支卷积网络用于对输入信号进行去噪处理，并通过卷积操作得到其输出特征y^D；

特征融合层用于将三个分支卷积网络的输出特征y^L、输出特征y^I和输出特征y^D拼接成特征向量y^C＝[y^L,y^I,y^D]，并进行特征融合得到输出特征y；

全局平均池化层用于对特征y进行全局平均池化，得到特征y对应特征图的平均值，将得到的平均值输入至Softmax层；

Softmax层根据全局平均池化层得到的平均值估计得到各个故障状态的概率分布，将最大概率对应的故障状态作为故障诊断结果；

S4：将步骤S2处理得到的各个信号作为多分支多尺度卷积神经网络模型的输入，对应的故障状态标签作为多分支多尺度卷积神经网络模型的期望输出，对多分支多尺度卷积神经网络模型进行训练；

S5：以相同采样频率f_s采集当前滚动轴承的加速度振动信号x_test[n]，采用步骤S2中的相同方法对其进行标准化处理，得到信号

S6：将信号输入至步骤S104训练好的多分支多尺度卷积神经网络模型中，得到当前滚动轴承的故障诊断结果。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S2中标准化处理的公式如下：

其中，μ_m是x_m[n]中所有采样点数据的平均值，σ_m是x_m[n]中所有采样点数据的标准差。

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中低频分支卷积网络包括滑动平均滤波器和若干级联的卷积层，其中滑动平均滤波器对输入的信号进行滑动平均滤波，将得到的信号输入第一层卷积层中，将最后一层卷积层的输出作为低频分支的输出特征y^L。

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中恒等映射分支卷积网络包含若干个级联的、不同尺度特征学习能力的卷积模块，其中每个卷积模块包含若干个并列的卷积层和一个特征融合层，这些并列卷积层的输出特征按照特征通道拼接成一个特征向量输入特征融合层，由特征融合层进行特征融合处理后输出至后一个卷积模块；将最后一个卷积模块的输出作为恒等映射分支的输出特征y^I。

5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中去噪分支卷积网络包括一维高斯滤波器和若干级联的卷积层，其中一维高斯滤波器对输入的信号进行高斯滤波，将得到的信号输入第一层卷积层中，将最后一层卷积层的输出作为低频分支的输出特征y^D。