[发明专利]一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法

说明书

本发明涉及一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法，包括步骤S1，通过加速度传感器获取带有正常与多个故障标签的滚动轴承时域振动信号数据，数据预处理，划分训练集和测试集；步骤S2，运用改进的多感受野模型基于时域信号构建图卷积层，提取经过图卷积层输出的图特征表示；步骤S3，将由图卷积层输出的特征表示输入改进的胶囊图神经网络，胶囊图神经网络运用注意力机制和动态路由机制，依次由主胶囊层、图胶囊层和类胶囊层组成，实现高层特征提取与分类；步骤S4，使用训练集训练经S1、S2和S3构建的滚动轴承故障诊断模型，并用测试集进行测试评估，得到轴承状态诊断结果。本发明不依赖于信号特征提取方法，多感受野与胶囊图神经网络的应用，更有利提取数据特征与挖掘数据结构联系，解决了在少量的标记样本和变工况下，较高准确率识别轴承故障类型的问题。

技术领域

本发明涉及一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法，属于旋转机械智能故障诊断领域。

背景技术

滚动轴承是旋转机械中应用最为广泛的机械零件，被称为“工业的关节”，在国民经济和国防事业上，高端数控机床、先进轨道交通装备、航空航天器转动类设备以及工业、农业等设备的运转都离不开滚动轴承。然而，滚动轴承也是最容易产生故障的零件。长时间的高速重载运转致使滚动轴承产生诸如点蚀、磨损、断裂等故障，继而导致设备性能下降、功能丧失、停转等异常现象，甚至导致事故的发生，以至于造成重大生命和经济财产损失。因此，针对滚动轴承的智能故障诊断至关重要，能够实现故障预警，做到防患于未然，也能减少维护和人力成本。

传统的故障诊断方法是通过人工提取信号特征，判断轴承是否发生故障。比如短时傅里叶变换和小波变换等方法。随着机器学习在工程应用领域的发展，一些算法被运用在轴承故障诊断方面。比如支持向量机和贝叶斯统计等算法。对信号进行特征提取，分析识别提取到的特征，完成故障诊断。这些方法虽然有着不错的故障诊断效果，但是特征提取和识别分类的过程比较复杂，十分依赖专家知识协助完成故障诊断。由于数据量的增大，专家知识的局限性，对诊断性能的更高要求，传统方法已难以胜任大量数据下的故障诊断任务。近年来兴起的深度学习算法，因其在图像、语音识别等领域取得的成果，在故障诊断领域的研究也呈现上升趋势。相较于传统浅层机器学习方法，基于深度学习的方法能自动提取特征并建立特征与故障类别之间的复杂映射关系。诸如深度置信网络(DBN)、卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)等深度学习框架都已经应用在滚动轴承故障诊断中。

基于深度学习的方法其网络具有多层结构，需要大量的有标签样本对大量的网络参数进行训练，以实现其对海量故障数据挖掘与学习的优点。但是，在故障诊断领域，对样本的标注依赖于有丰富故障诊断经验和领域知识的专家，通常构建大量有标注样本很难实现。在稀少的标注样本下，深度神经网络的训练不能达到很好的收敛状态，从而导致网络模型表达能力不足、泛化性能不好。因此，针对标注样本匮乏情况下的故障诊断研究是一个既充满挑战又有重要应用价值的研究领域。另一方面，现有一些基于深度学习的滚动轴承故障诊断方法，强调数据集内特征的提取，而忽略了数据结构、特征间的相互联系和相对顺序，这对诊断也是重要的。

发明内容

本发明针对现有技术的不足，基于多感受野与胶囊图神经网络设计了一种滚动轴承故障诊断方法，该方法在提取样本特征时也能够实现数据结构特征的挖掘，解决了在少量的标记样本和变工况下，较高准确率识别轴承故障类型的问题，提高了诊断模型的泛化性和鲁棒性。

本发明首先对采集的滚动轴承传感器振动信号进行标准化预处理，划分训练集与测试集。然后，根据提出的多感受野算法构建图卷积层。其次，将图卷积层特征输入改进的胶囊图神经网络，进行用于分类的高层特征提取，通过训练得到具有故障识别与分类功能的轴承故障诊断模型。

本发明包括以下各步骤：

步骤S1：获取滚动轴承故障诊断模型的训练集与测试集