[发明专利]一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法

说明书

本发明一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，属于基于快速多尺度卷积神经网络的滚动轴承故障诊断方法技术领域；所要解决的技术问题为：提供一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：采集滚动轴承驱动端的一维振动信号；将步骤一中采集到的每一个监测振动信号进行标准化处理；搭建快速多尺度卷积神经网络模型；对快速多尺度卷积神经网络模型进行训练；采集当前滚动轴承的加速度振动信号并处理得到样本的测试集；将步骤五中的样本测试集输入至步骤四中训练好的快速多尺度卷积神经网络模型，从而输出滚动轴承的故障诊断结果；本发明应用于轴承故障诊断。

技术领域

本发明一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，属于基于快速多尺度卷积神经网络的滚动轴承故障诊断方法技术领域。

背景技术

滚动轴承是一种精密的机械元件，被誉为现代工业的润滑剂。它的工作状态直接关系到整个工业生产过程的效率和稳定。所以为了维持设备的安全运行，对滚动轴承的健康状况必须进行实时监控。

目前大多数的故障诊断方法一般采用短时傅里叶变换、小波变换和经验模态分解等信号处理方法提取轴承振动信号的故障特征，然后通过支持向量机、k-邻近算法和人工神经网络等主流机器学习方法，自动分类特征，降低依赖专家经验出错的概率。但是准确率仍取决于人工提取的特征能否准确表达故障信息，局限性较大。

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的一维卷积神经网络和二维卷积神经网络方法，还存在一下缺陷：(1)大多只是考虑了振动信号单一时间尺度上的故障信息，即每次只能提取一个由单个卷积核尺寸确定的时间尺度的故障特征；(2)卷积神经网络如何学习到故障的明显的特征，仍然像一个“黑盒”，一定程度上阻碍了深度学习模型在故障诊断领域的研究继续深入。

因此，需要提供一种能够针对轴承振动信号的时域多尺度特性的基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，对轴承振动信号的时域多尺度特性作出多尺度卷积模块提取多尺度时间信息，使用卷积-池化交替模块自适应克服时间依赖特性，并结合softmax分类层构建特征提取-特征分类二位一体的智能滚动轴承故障诊断方法。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，包括如下步骤：

步骤一：数据采集：采集滚动轴承驱动端的一维振动信号，以fs采样频率采集滚动轴承在不同运行状态下有故障和无故障的监测振动信号X[n]，并根据采集到的监测振动信号X[n]将其对应的不同故障状况设置对应的故障标签；

步骤二：数据处理：包括将步骤一中采集到的每一个监测振动信号X[n]进行标准化处理，并将处理后的监测振动信号记为

步骤三：搭建快速多尺度卷积神经网络模型；

步骤四：将步骤二中处理后的监测振动信号作为步骤三中快速多尺度卷积神经网络模型的输入，将监测振动信号对应的故障状态标签作为步骤三中快速多尺度卷积神经网络模型的期望输出，对快速多尺度卷积神经网络模型进行训练；

步骤五：通过相同的采样频率fs采集当前滚动轴承的加速度振动信号x_test[n]，并对加速度振动信号进行标准化处理，得到样本的测试集

步骤六：将步骤五中的样本测试集输入至步骤四中训练好的快速多尺度卷积神经网络模型，从而输出滚动轴承的故障诊断结果。