基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法技术

本发明专利技术提供了一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明专利技术弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够的缺陷，满足了工业物联网对深度学习模型提出的轻量级需求。

【技术实现步骤摘要】
基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法
本专利技术涉及滚动轴承故障诊断
，特别是一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法。
技术介绍
滚动轴承是工业生产中运用最为广泛的零部件之一，其健康状态直接关系到机械设备安全稳定的运行。但是在高速高负荷的复杂工况下长时间运行，滚动轴承很容易出现磨损、剥落等故障，这些故障会导致旋转机械很快的退化甚至会造成严重的经济损失和人员伤亡，因此对滚动轴承进行状态监测与故障诊断是十分具有现实意义的。目前，国内外学者对滚动轴承的故障诊断问题作了大量的研究工作，但是面对复杂多变的工况和强噪声干扰情况时，振动信号是非线性、非平稳和强耦合的，故障特征表现为时间尺度多样性且不明显，这对基于振动信号的高性能故障诊断提出了严峻的挑战。
技术实现思路
本专利技术提供一种基于强化的轻量级多尺度CNN的滚动轴承故障的智能化诊断方法，可以捕捉时间尺度多样性的故障特征，从而提高滚动轴承在复杂工况和强噪音干扰情况下故障诊断的效率和识别精度，能较好的满足工程应用的需要。本专利技术采本文档来自技高网...

【技术保护点】
1.一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，包括以下步骤：/n步骤S1：对原始振动信号数据进行多维度特征提取；/n步骤S2：通过轻量级多尺度网络提取互补的多尺度特征，并采用判别性故障特征强化机制(DFRM)对提取的所述多尺度特征进行筛选与强化；/n步骤S3：通过跳层连接方式进行多等级多尺度特征融合；/n步骤S4：重复步骤S2、步骤S3数次，提取所述原始振动信号的高等级抽象特征；/n步骤S5：分类器训练，进行故障识别。/n

【技术特征摘要】
1.一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤S1：对原始振动信号数据进行多维度特征提取；
步骤S2：通过轻量级多尺度网络提取互补的多尺度特征，并采用判别性故障特征强化机制(DFRM)对提取的所述多尺度特征进行筛选与强化；
步骤S3：通过跳层连接方式进行多等级多尺度特征融合；
步骤S4：重复步骤S2、步骤S3数次，提取所述原始振动信号的高等级抽象特征；
步骤S5：分类器训练，进行故障识别。


2.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S3中，通过跳层连接方式进行多等级多尺度特征融合，是对强化筛选后的多尺度特征进行融合，融合部分分为两步：
步骤S31多尺度融合：将多个尺度提取的特征映射纵向堆叠，采用两层全连接层对堆叠特征进行融合；
步骤S32多等级融合：通过跳层连接，将融合后的多尺度特征与输入轻量级多尺度网络前的特征映射进行融合。


3.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S1中，采用一层一维卷积对所述原始振动信号进行多维度特征提取，采用宽卷积核以抑制部分噪声。


4.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S2中，所述轻量级多尺度网络采...

【专利技术属性】
技术研发人员：邓艾东，史曜炜，邓敏强，朱静，马骏驰，王煜伟，曹浩，丁雪，徐硕，张顺，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32