[发明专利]一种基于空间池化网络的滚动轴承故障诊断方法

说明书

本发明提供了一种基于空间池化网络的滚动轴承故障诊断方法，采集滚动轴承故障状态和正常状态的振动信号，并对采集到的轴承振动信号进行切割形成样本，将样本分为训练集、验证集和测试集；然后将训练集和验证集中的样本输入到卷积神经网络中进行训练并调整其结构；在确定结构的卷积神经网络最后一个“卷积+池化”单元后加入空间池化注意力实现对特征的加权，并加入两层空间池化层和softmax分类器，完成空间池化模型的构建；将训练集和验证集的样本输入到空间池化网络中进行参数更新，并将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

技术领域

本发明涉及轴承故障智能诊断技术领域，尤其是涉及一种基于空间池化网络的滚动轴承故障诊断方法。

背景技术

由于长期运行在重负载、高转速的环境下，滚动轴承成为了旋转机械设备中最易发生故障的零件之一。因此对滚动轴承进行早期故障诊断具有重要意义。滚动轴承的故障诊断实质上是一个模式识别过程，当轴承发生故障时，振动信号各频带能量发生变化。近年来，随着机器学习研究的不断深入，采用数据驱动的诊断方法取得较大进展，如支持向量机、随机森林、深度信念网络等。这种故障诊断方法的主要思想是先利用信号处理方法提取数据中的相关特征，然后通过特定的分类模型实现轴承故障诊断。然而人工提取特征工作量大、需要领域内专家知识、带有主观因素，在实际应用中，模型的诊断准确率和泛化能力往往会受到影响。为了摆脱人工提取特征带来的限制，深度学习方法在轴承故障诊断中逐步得到应用。常见的方法是利用卷积神经网络或者循环神经网络自适应地提取轴承振动信号的有效特征，最后由Softmax分类器实现故障分类。这类方法不需要人工提取特征，可以自动学习特征提取而不需要大量的先验知识，但是在特征选择以及训练稳定性上仍然存在缺陷，无法实现所提取特征的层次性和差异性的区分。

发明内容

本发明提出了一种基于空间池化网络的滚动轴承故障诊断方法，是一种将卷积神经网络与注意力模块相结合的滚动轴承故障诊断模型，实现了自适应特征提取和筛选的滚动轴承故障诊断。

本发明采用的技术方案如下：

一种基于空间池化网络的滚动轴承故障诊断方法，包括以下步骤：

步骤S1：采集滚动轴承在各故障状态和正常状态下的振动信号，不同类型的轴承振动信号数据作为一个域赋予不同的标签，对轴承振动信号数据进行切割形成样本并划分为训练集、验证集和测试集；

步骤S2：将所述训练集和所述验证集中的样本输入到卷积神经网络中进行训练，所述卷积神经网络由多个“卷积+池化”组成，根据验证集诊断准确率和损失函数值调整所述卷积神经网络结构；

步骤S3：在调整后确定结构的卷积神经网络最后一个“卷积+池化”单元后，设置空间池化注意力机制实现对特征的加权，加权后的特征继续通过两层空间池化层实现对特征信息的整合，最后加入softmax分类器完成空间池化网络的构建；

步骤S4：将所述训练集和所述验证集中的样本输入到所述空间池化网络中进行参数更新，当目标函数满足迭代终止条件时停止更新；

步骤S5：将所述测试集的样本输入到已经训练好的所述空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

所述步骤S2具体包括以下步骤：