一种基于多通道CNN多元信息融合的轴承故障诊断方法技术

一种基于多通道CNN多元信息融合的轴承故障诊断方法，包括利用采样频率相同的加速度计采集轴承时域振动信号，得到网络所需数据集；对采集来的数据按照时段，将轴承双侧振动数据成对组合，变成一个含有两通道的振动数据，并依据轴承损坏状态进行贴标处理；构建多信息融合的卷积神经网络，其中，所述网络结构具有多个双通道卷积核，所述双通道卷积核包含卷积操作和求和操作来对输入的数据进行数据融合，评估训练后的模型，并将其应用于待诊断的轴承数据中。本发明专利技术在不改变卷积神经网络本身结构的前提下实现了多信息融合，并且增加了轴承诊断模型的精度。

【技术实现步骤摘要】
一种基于多通道CNN多元信息融合的轴承故障诊断方法
本专利技术涉及滚动轴承故障检测
，特别涉及一种基于多通道CNN多元信息融合的轴承故障诊断方法。
技术介绍
随着我国工业现代化的不断发展，工业机电设备日益复杂，这使得机器检测的地位不断提升。为了保证设备的正常运转，减小由于机电设备故障而带来的经济损失，人们对于更快、更准、更稳定的故障检测方法的研究从未停止。由于滚动轴承是机电设备中不可或缺的零件，所以对轴承的故障检测也是十分重要的。近年来，由于机器学习的兴起，以及智能化算法面向训练数据的特征，可以在保证准确率的前提下大大缩减人工成本，因而出现了大量的智能化故障检测技术。然而工业环境复杂，工业现场干扰源多，单凭借单一信息元来作为机器学习算法的输入难免会受到外界干扰，因而也出现了大量的基于多信息融合的神经网络模型。不过此类模型大都不能借助网络本身实现多信息融合，其结构复杂，使得网络模型计算时间大大增加。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于多通道CNN多元信息融合的轴承故障诊断方本文档来自技高网...

【技术保护点】
1.一种基于多通道CNN多元信息融合的轴承故障诊断方法，其特征在于，包括以下步骤：/n步骤一：/n在轴承两端布置加速度计，用采样频率相同的加速度计采集轴承时域振动信号，得到网络所需数据集；/n步骤二：/n对轴承双侧采集而来的振动数据依据其损坏状况进行贴标签处理，其中将相同时段内轴承双侧的振动信号编为一对数据；/n步骤三：/n搭建多信息融合的卷积神经网络模型，并用步骤二中贴完标签的成对数据对其进行模型训练，其中，所述网络结构具有多个双通道卷积核，所述双通道卷积核包含卷积操作和求和操作；/n步骤四：/n对训练后的模型在使用测试数据集进行测试，用以评估该模型，并将其应用于准备诊断的轴承数据上。/n

【技术特征摘要】
1.一种基于多通道CNN多元信息融合的轴承故障诊断方法，其特征在于，包括以下步骤：
步骤一：
在轴承两端布置加速度计，用采样频率相同的加速度计采集轴承时域振动信号，得到网络所需数据集；
步骤二：
对轴承双侧采集而来的振动数据依据其损坏状况进行贴标签处理，其中将相同时段内轴承双侧的振动信号编为一对数据；
步骤三：
搭建多信息融合的卷积神经网络模型，并用步骤二中贴完标签的成对数据对其进行模型训练，其中，所述网络结构具有多个双通道卷积核，所述双通道卷积核包含卷积操作和求和操作；
步骤四：
对训练后的模型在使用测试数据集进行测试，用以评估该模型，并将其应用于准备诊断的轴承数据上。


2.根据权利要求1所述的一种基于多通道CNN多元信息融合的轴承故障诊断方法，其特征在于，所述步骤一中采样方式为将两个同采样频率的加速度计分别放置于待诊断的轴承两侧。


3.根据权利要求1所述的一种基于多通道CNN多元信息融合的轴承故障诊断方法，其特征在于，所属步骤二中打标签的方式是将同时段内轴承双侧振动数据成对组合，变成一个含有两通道的振动数据。


4.根据权利要求1所述的一种基于多通道CNN多元信息融合的轴承故障诊断方法，其特征在于，所述步骤三具体为：
(3-1)：模型...

【专利技术属性】
技术研发人员：贠卫国，王楠，井小浩，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61