基于动态可分离卷积神经网络的故障诊断方法及设备技术

本发明专利技术涉及基于动态可分离卷积神经网络的故障诊断方法及设备，针对传统的多尺度卷积神经网络在强噪声环境下对特征的辨识性差，难以充分挖掘数据故障信息的问题而提出，首先通过对采集到的轴承振动信号进行分类标注，生成数据样本，并划分训练集和测试集，将训练集输入动态可分离的多尺度神经网络模型中进行训练，形成振动数据和故障标签的恒等映射；将测试集数据输入训练好的模型中，得到故障诊断结果。本发明专利技术将动态卷积和深度可分离卷积相结合，形成动态可分离卷积，可以在降低数据参数的情况下，同时有效的提取测试数据中的固有时间特征信息，实现高噪声和复杂工况下高精度的轴承故障诊断。轴承故障诊断。轴承故障诊断。

【技术实现步骤摘要】
基于动态可分离卷积神经网络的故障诊断方法及设备


[0001]本专利技术涉及机械故障诊断
，尤其是一种基于动态可分离卷积神经网络的故障诊断方法及设备。

技术介绍

[0002]滚动轴承作为旋转设备重要部件，经常处于高负荷，强噪声环境中运行，如果缺乏必要的监管与维护，则有可能造成轴承失效，设备停运，带来较大经济损失，因此在滚动轴承早期进行故障诊断是非常重要的。
[0003]传统的故障诊断技术主要基于信号处理的方法，比如快速傅里叶变换(Fast Fourier Transform，FFT)、短时傅里叶变换(Short
‑
time Fourier Transform，STFT)、小波变换等；近些年随着机器学习的发展，常用信号处理方法提取特征，然后送入特定的分类器模型进行分类，比如支持向量机(SVM)、人工神经网络等。但是此类方法往往依赖人工手段提取特征以及专家经验，并且往往是浅层学习，缺乏大规模数据处理的能力。为了摆脱人工提取手段对于结果的影响，端到端的深度学习算法开始在滚动轴承故障诊断中发挥作用。如卷积神经网络、深度置信网络等等，但其在轴承实际运行的强噪声环境下对特征的辨识性差，难以充分挖掘数据故障信息，造成诊断性能下降。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于动态可分离卷积神经网络的故障诊断方法及设备，目的是提高在强噪声环境下对特征的辨识性，以提高轴承故障诊断性能。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于动态可分离卷积神经网络的故障诊断方法，对采集到的轴承振动信号以故障类型进行分类标注，生成数据样本，并划分训练集、验证集和测试集；将训练集和验证集输入卷积神经网络中进行训练，形成振动数据和故障标签的恒等映射，保存对应的网络参数；将测试集输入训练好的模型中进行网络测试；将实际振动信号输入训练并测试好的卷积神经网络进行故障预测，所述卷积神经网络能够进行多时间尺度特征信息提取，并通过计算注意力的概率分布对关键性输入特征分配更多的权重，实现对数据中的固有时间特征信息的准确提取，获得对应的故障诊断结果。
[0007]所述卷积神经网络的结构包括一维卷积层、特征提取模块、最大池化层、全局平均池化层和softmax分类器；
[0008]所述特征提取模块所述特征提取模块包括多尺度分支动态可分离卷积、通道卷积注意力模块、全连接层和残差模块，所述多尺度分支动态可分离卷积可直接从一维时序振动信号中提取设备的多时间尺度特征，获得初始特征集。
[0009]所述多尺度分支动态可分离卷积包括多个并行的一维动态可分离卷积，所述一维动态可分离卷积层通过对包含通道卷积和点卷积两步卷积的深度可分离卷积网络改进后而获得，改进方法为：将所述通道卷积和点卷积分别使用动态卷积替代，依次对改进后的通
道卷积和点卷积的卷积核进行参数更新以完成对应特征的提取。
[0010]对改进后的通道卷积层的卷积核进行参数更新，包括：
[0011]对输入进行一次注意力操作，然后学习得到每个卷积核的权重，将学习到的权重分别叠加到对应的卷积核上，实现卷积核的动态叠加。
[0012]对改进后的点卷积的卷积核进行参数更新，包括：
[0013]对输入进行一次注意力操作，卷积核之间进行相互自适应加权后，进行自适应动态卷积。
[0014]所述通道卷积注意力模块设置在动态可分离卷积层之后，捕捉在多尺度分支动态可分离卷积后局部通道的互补的特征，通过计算注意力的概率分布对关键性输入特征分配更多的权重，以提取初始特征集中不同时间尺度的所有故障判别信息。
[0015]所述初始特征集中不同时间尺度的所有故障判别信息被连接到所述全连接层的前馈神经网络中，引入残差学习。
[0016]所述全连接层设置在所述通道卷积注意力模块之后，用于将通道维度上的特征进行整合，所述残差模块设置在所述全连接层之后，防止网络的梯度消失和爆炸。
[0017]一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于动态可分离卷积神经网络的故障诊断方法。
[0018]一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现所述的基于动态可分离卷积神经网络的故障诊断方法。
[0019]本专利技术的有益效果如下：
[0020]本申请卷积神经网络中的特征提取模块由多尺度分支动态可分离卷积、通道卷积注意力模块、残差模块和全连接层组成，多尺度分支动态可分离卷积在一维时序振动号中提取有效的辨识信息，能充分识别原始信号蕴含的固有多时间尺度特征信息，引入通道注意力机制对通道特征进行自适应加权，为重要的通道特征分配更为重要的权重，进一步优化模型的分类能力，并在最后引入残差学习机制，保证了所提方法的有效性，可以实现强噪声环境下滚动轴承故障的有效诊断。
[0021]本申请的多尺度分支动态可分离卷积是在传统的深度可分离卷积基础上经过动态卷积改进而获得，可以在降低数据参数的情况下有效提取测试数据中的固有时间特征信息，实现高噪声和复杂工况下高精度的轴承故障诊断。
[0022]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0023]图1为本专利技术实施例的方法流程图。
[0024]图2为本专利技术实施例卷积神经网络的结构示意图。
[0025]图3为本专利技术实施例卷积神经网络的特征提取模块的结构示意图。
[0026]图4为本专利技术实施例卷积神经网络的特征提取模块的一维动态可分离卷积结构示意图。
[0027]图5为动态卷积原理图。
[0028]图6为本专利技术实施例卷积神经网络的特征提取模块的通道卷积注意力模块的结构示意图。
具体实施方式
[0029]以下结合附图说明本专利技术的具体实施方式。
[0030]参见图1，本申请的一种基于动态可分离卷积神经网络的故障诊断方法，对采集到的轴承振动信号以故障类型进行分类标注，生成数据样本，并划分训练集、验证集和测试集；将训练集和验证集输入卷积神经网络中进行训练，形成振动数据和故障标签的恒等映射，保存对应的网络参数；将测试集输入训练好的模型中进行网络测试；将实际振动信号输入训练并测试好的卷积神经网络进行故障预测，所述卷积神经网络能够进行多时间尺度特征信息提取，并通过计算注意力的概率分布对关键性输入特征分配更多的权重，实现对数据中的固有时间特征信息的准确提取，获得对应的故障诊断结果。
[0031]所述卷积神经网络为动态可分离卷积神经网络(Dynamically separable convolutional neural networks，DS
‑
CNN)，参见图2，所述卷积神经网络的结构包括一维卷积层(Conv1D)、特征提取模块(MBAFEM)、最大池化层(Maxpo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态可分离卷积神经网络的故障诊断方法，其特征在于，对采集到的轴承振动信号以故障类型进行分类标注，生成数据样本，并划分训练集、验证集和测试集；将训练集和验证集输入卷积神经网络中进行训练，形成振动数据和故障标签的恒等映射，保存对应的网络参数；将测试集输入训练好的模型中进行网络测试；将实际振动信号输入训练并测试好的卷积神经网络进行故障预测，所述卷积神经网络能够进行多时间尺度特征信息提取，并通过计算注意力的概率分布对关键性输入特征分配更多的权重，实现对数据中的固有时间特征信息的准确提取，获得对应的故障诊断结果。2.根据权利要求1所述的基于动态可分离卷积神经网络的故障诊断方法，其特征在于，所述卷积神经网络的结构包括一维卷积层、特征提取模块、最大池化层、全局平均池化层和softmax分类器；所述特征提取模块包括多尺度分支动态可分离卷积、通道卷积注意力模块、全连接层和残差模块，所述多尺度分支动态可分离卷积可直接从一维时序振动信号中提取设备的多时间尺度特征，获得初始特征集。3.根据权利要求2所述的基于动态可分离卷积神经网络的故障诊断方法，其特征在于，所述多尺度分支动态可分离卷积包括多个并行的一维动态可分离卷积，所述一维动态可分离卷积层通过对包含通道卷积和点卷积两步卷积的深度可分离卷积网络改进后而获得，改进方法为：将所述通道卷积和点卷积分别使用动态卷积替代，依次对改进后的通道卷积和点卷积的卷积核进行参数更新以完成对应特征的提取。4.根据权利要求3所述的基于动态可分离卷积神经网络的故障诊断方法，其特征在于，对改进后的通道卷积层的卷积核进行参数更新，包括：对输入进行一次注意力操...

【专利技术属性】
技术研发人员：袁电洪，董志军，周阳，高红雨，韩翔，徐翔，夏绍标，
申请(专利权)人：国家能源集团宿迁发电有限公司，
类型：发明
国别省市：