[发明专利]基于一维卷积与动态路由的多传感器滚动轴承故障诊断

说明书

本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于一维卷积与动态路由的多传感器滚动轴承故障诊断包括：步骤S1，获取多传感器测量的不同状态的振动信号；步骤S2，建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息；步骤S3，采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合，并使用softmax分类器映射输出。本发明提出的基于一维卷积与动态路由的多传感器滚动轴承故障诊断，可以在变化的工况与噪声干扰情形下，具有最优的诊断性能，获得更好的适应能力，达到对实际生产过程中滚动轴承故障的精准诊断效果。

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种基于一维卷积与动态路由的多传感器滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械的关键部分，对于保障生产安全和提高经济效益具有重要作用。近年来，针对滚动轴承的故障诊断处理方法主要有：信号处理与智能诊断。

信号处理主要是通过人工对于信号的时频域进行设计特征参数的方法进行故障诊断，这样基于信号处理的方法严重依赖于专家经验和先验知识，也就意味着该故障诊断的效果在很大程度上受人为因素的影响，这在工作条件复杂的实际生产过程中是不可用的。智能诊断则引入了人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和BP神经网络(BP NeuralNetworks,BPNN)等传统机器学习方法，但是这些传统机器学习模型难以从原始数据中提取深层特征并处理大量数据，同样需要人为地针对不同工作条件进行特征提取的预处理工作，也难以应用于工作条件复杂的实际生产。

Geoffrey Hinton于2006年首次提出深度学习(Deep Learning,DL)技术，由于它可以自动学习深层的代表性，因此受到越来越多的关注，并由此深度学习模型，例如卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent neuralnetwork,RNN)、深度置信神经网络(Deep Belief Networks,DBN)和稀疏自编码器(SparseAuto Encoder,SAE)等也被应用于智能故障诊断技术。作为深度学习其中一个分支，卷积神经网络(CNN)是一种特殊的前馈神经网络，相比于其他深度学习模型，可以大大减少需要训练的参数数量，缩短训练时间。

但是，以上现有研究大多是在工作条件保持不变的无噪假设下建立的，这并不符合当前实际的生产情况。在当前实际生产过程中，工况经常会根据生产要求而变动,例如风力发电机，经常在负载剧烈变化的条件下工作，这样所收集的数据会受多种因素的影响，例如可变的工作条件、振动、环境噪声等因素影响。因此，智能诊断模型需要朝着更加灵活的方向发展，诊断模型应该可以检测和诊断可变工况条件下的工业系统中的故障，以确保产品质量以及工厂的安全和经济效益。

发明内容

为了能够对滚动轴承进行可变工况条件下的故障诊断，本发明提出了一种基于一维卷积与动态路由的多传感器滚动轴承故障诊断，包括以下步骤：

步骤S1，获取多传感器测量的不同状态的振动信号；

步骤S2，建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息；

步骤S3，采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合，并使用softmax分类器映射输出。

优选的，在所述步骤S1中，将多传感器测量的振动信号通过快速傅里叶变换为频谱。

优选的，在所述步骤S2中，建立与步骤S1中传感器的数量相对应且相互平行的多个一维卷积神经网络，并由对应的一维卷积神经网络来提取对应传感器所获取振动信号的特征信息。