[发明专利]基于WDCNN-LSTM的轴承故障诊断方法及系统

说明书

本发明公开的基于WDCNN‑LSTM的轴承故障诊断方法及系统，包括：获取轴承的振动信号；根据振动信号和训练好的轴承故障诊断模型，获得轴承故障诊断结果；其中，轴承故障诊断模型包括空间特征提取路径和时间特征提取路径；时间特征提取路径包括依次连接的卷积层和LSTM；振动信号分别输入时间特征提取路径和空间特征提取路径中，提取时间特征和空间特征；将时间特征和空间特征进行融合，获得融合特征；对融合特征进行识别，获得轴承故障诊断结果。在不对振动噪声进行预处理的情况下，还能够通过对振动噪声进行识别实现对轴承的故障准确判断。

技术领域

本发明涉及轴承故障诊断技术领域，尤其涉及基于WDCNN-LSTM的轴承故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

轴承是电机最重要的零件之一，轴承故障会直接影响到电机的运转，严重甚至会造成电机损伤和使用寿命缩短，突发性的故障更可能会造成人员受伤和高额经济损失，因此对电机轴承进行精准的、实时的故障诊断十分重要。

振动信号分析是电机轴承故障诊断中常用的方法。传统的故障诊断方法依靠人类专业知识提取特征并判断其故障状态。传统的特征提取方法是对振动信号分别在时域、频域或者时频域中采用时域统计分析、短时傅里叶变换、小波变换和经验模态分解等方法提取其特征，提取的特征依靠人类丰富的经验来判断具体故障状态，十分耗时耗力，所以需要更加便利的方法提取特征。

在过去几年时间里，基于深度学习的方法得到了快速发展，针对轴承故障类型识别困难的问题，以深度学习为主的模式识别方法成为了研究的热点。

同样，使用深度学习进行轴承故障诊断和轴承寿命预测也取得了一定的成果。张等提出一种基于第一层宽卷积核的卷积神经网络(Deep Convolutional Neural Networkswith Wide First-layer Kernel，WDCNN)，第一层卷积采用宽卷积核，增大了感受野，与传统的卷积神经网络相比极大提高了故障诊断的精度。宫文峰等采用全局均值池化技术代替传统CNN的全连接部分，有效解决了传统CNN模型参数过多问题，在减少参数的情况下实现了对轴承的故障诊断。肖雄等将一维振动信号转换为二维灰度图，然后利用卷积神经网络进行特征提取，得到了较好的结果。上述方法在无噪声情况下取得了很好的结果，但是在实际情况中，采集到的振动信号往往伴随着各种随机噪声，这表明无法直接采用带噪声的振动信号对轴承故障做出明确诊断，因此去噪已经成为振动信号处理中一个关键问题。为了解决噪声问题，赵等提出了深度残差收缩网络，将注意力机制与软阈值滤波结合，实现了自适应阈值滤波，在高噪声情况下取得了较好的效果。但是阈值滤波不仅过滤掉了噪声，也会滤掉实际的振动信号，造成原始信号的缺失。卷积自编码网络已经在图像去噪方面得到了广泛应用。为了在滤波的同时，较好的保留原始信号，万齐杨等使用卷积自编码网络去噪，再用CNN网络进行故障诊断。但是该方法用有监督方式进行训练，采用原始振动信号的带噪声时频图作为卷积自编码网络输入，不带噪声时频图作为标签，可实际情况中我们很难得到噪声信号的标签。丁云浩等用一维多尺度卷积自编码网络对轴承故障进行诊断，能在去除噪声的同时较好的还原原始数据。该方法先训练好自编码网络，在网络基础之上添加softmax分类层，对网络进行分类训练微调。但是随着分类训练的进行，预先训练的去噪知识被改变以学习分类，削弱了网络去噪能力。

故发明人认为，现有的轴承故障诊断方法不能直接根据含有噪声的振动信号，实现对轴承故障的准确诊断。

发明内容

本发明为了解决上述问题，提出了基于WDCNN-LSTM的轴承故障诊断方法及系统，构建的轴承故障诊断模型，可以直接对振动信号进行识别，而无需对振动信号进行提前去噪，提高了轴承故障诊断的准确率和效率。

为实现上述目的，本发明采用如下技术方案：

第一方面，提出了基于WDCNN-LSTM的轴承故障诊断方法，包括：

获取轴承的振动信号；