[发明专利]一种残差密集网络故障诊断方法以及装置

说明书

本公开是关于一种残差密集网络故障诊断方法、装置、电子设备以及存储介质。其中，该方法将原始信号、包络谱转换及离散余弦S变换的结果组成包含了时域、频域和时频域的多域信息的多通道信号，然后输入到残差密集模型中进行深度学习，更好的挖掘隐藏的故障信息；考虑到随着网络深度的增加，特征数量的增多，不同特征对信息的传递也存在差异，本发明提出将学习到的特征进行注意力机制分配，实现特征的差异性划分，最后再利用softmax进行故障识别。本公开可以提取较为全面的故障特征，较传统方法具有更好的故障识别效果。

技术领域

本公开涉及故障诊断领域，具体而言，涉及一种残差密集网络故障诊断方法、装置、电子设备以及计算机可读存储介质。

背景技术

轴承是机械传动设备的关键部件，其故障所造成的损失和影响巨大，准确诊断和预警轴承故障意义重大。

随着深度卷积网络(Convolutional Neural Networks,CNN)在图像处理等领域显现出的巨大效果，学者们将其引入故障诊断领域并进行了深入研究。杨平等针对滚动轴承故障，提出利用卷积胶囊网络对原始数据进行学习并实现故障分类。Lu等通过分段组合的方式将原始监测信号映射到二维矩阵中，经深度CNN网络自动学习高维特征表示，实现轴承的故障诊断。Ince等人提出利用一维CNN将特征提取和分类集成在一起，完成实时轴承故障诊断。Li等人提出集成深度神经网络和CNN相结合的轴承故障诊断模型，完成对轴承的故障诊断。

通过分析文献发现，当前基于深度神经网络的诊断方法多数都是通过构建复杂的网络模型、不断加深网络深度、层与层之间增加多种处理来实现诊断能力的提升，虽然提高了诊断准确率，但是随着网络层数的增加，此类深度结构也凸显出不少问题：一方面容易导致梯度弥散或爆炸问题，使得网络训练非常困难；另外，深度结构造成网络退化，训练时的损失不降反升，导致样本的训练误差增大，识别准确率降低；而且大规模深度网络的训练需要消耗大量的系统资源，这些问题都极大地限制了CNN在故障诊断领域的深入发展。

因此，需要一种或多种方法解决上述问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种残差密集网络故障诊断方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种残差密集网络故障诊断方法，包括：

数据预处理步骤，采集轴承的检测信号，将所述检测信号进行离散余弦S变换和包络谱提取，生成多域检测信号，分别将所述多域检测信号与所述检测信号叠加生成多通道信号，作为轴承故障诊断模型的输入；

故障特征提取步骤，在基于多级残差密集块的残差密集网络的轴承故障诊断模型中，提取所述多通道信号中的故障特征；

故障特征加权步骤，根据轴承故障诊断模型中卷积注意力模块的通道注意力和空间注意力对所述故障特征的权重进行加权；

故障诊断步骤，基于softmax函数对进行注意力排序后的故障特征进行分类处理以完成对故障模式的识别分类。

在本公开的一种示例性实施例中，所述方法的数据预处理步骤还包括：

采集轴承的检测信号，将所述检测信号进行离散余弦S变换和包络谱提取，生成多域检测信号，分别将所述多域检测信号与所述检测信号叠加生成多通道信号x_i，利用步长为1，1*3大小的卷积核进行特征提取，可得浅层矢量特征：