一种基于权重自适应特征融合的轴承故障诊断方法技术

本发明专利技术提供了一种基于权重自适应特征融合的轴承故障诊断方法，属于工业设备故障诊断的技术领域。该方法包括：S1、利用加速度传感器采集原始故障的一维时序性振动信号，数据归一化后对数据进行分割生成原始样本；S2、将原始样本进行时频分析，分析方法为快速傅里叶变换和连续小波变换，得到原始信号的频域数据和时频域数据；S3、构建双通道特征提取模型，得到故障的频域和时频域特征。S4、提出特征自适应加权算法，自适应地为频域和时频域特征匹配不同权重，并将加权后的特征进行融合分类；S5、分类层采用Softmax函数进行多种故障信号数据的分类，实现故障信号的精确诊断。实现故障信号的精确诊断。实现故障信号的精确诊断。

【技术实现步骤摘要】
一种基于权重自适应特征融合的轴承故障诊断方法


[0001]本专利技术涉及深度学习中双通道模型构建、特征自适应加权及工业设备 故障诊断
，尤其是涉及一种基于权重自适应特征融合的轴承故障 诊断方法。

技术介绍

[0002]滚动轴承被广泛应用于旋转机械中，如飞机发动机、高铁滚轮、风力 机等，其运行状态对整个旋转机械的性能有着重要影响。在旋转机械运行 过程中，轴承可能会在运行过程中而受到局部的表面损坏，从而导致机械 故障，因此判断轴承故障对保证旋转机械安全运行至关重要。
[0003]传统的轴承故障诊断方法主要是从信号的时域、频域和时频域3个方 面对故障原始振动信号进行分析和特征提取，通常采用数理统计分析、快 速傅里叶变换、短时傅里叶变换和小波变换等分析方法，获取原始振动信 号的峰值、均方根幅值、偏度、峰值、峭度谱、傅立叶频谱、倒频谱或包 络谱等数据特征来判别故障类型。文章[朱艳萍等.改进的经验小波变换在 滚动轴承故障诊断中的应用[J].噪声与振动控制.]提出了一种改进的经验小 波变换方法，能够将振动信号分解为一系列单分量成分，使得在轴承振动 信号包络谱中能够清晰的发现故障特征，并通过对滚动轴承振动模拟信号 和实验信号的分析验证了该方法的有效性。文章[刘兆亮等.基于 CEEMDAN
‑
FastICA的滚动轴承故障特征提取[J].组合机床与自动化加工 技术.]提出了一种将完备集合经验模态分解与快速独立分量分析相结合的 故障特征提取方法，通过在仿真信号和轴承故障实验信号上进行验证，表 明该方法可明显降低噪声和调制成分干扰，有效提取故障特征频率。基于 频谱分析的传统轴承故障诊断方法虽然已取得不错的效果，但仍存在先验 知识要求高、过度依赖复杂信号处理方法与诊断经验以及浅层分类模型难 以从少量特征中获取复杂的故障信息等问题。
[0004]深度神经网络能够有效提取振动信号深层次特征，具有不依赖先验信 息和判别能力强的特点，很好的解决了上述问题。文章[庄雨璇等.基于 LSTM的轴承故障诊断端到端方法[J].噪声与振动控制.]提出基于LSTM的 轴承故障端到端的诊断方法，能够有效提取轴承振动信号的时间和空间特 征，提高了轴承故障诊断的精度；文章[雷亚国等.基于深度学习理论的机 械装备大数据健康监测方法[J].机械工程学报.]提出一种基于深度置信神经 网络的轴承故障诊断算法，实现了变工况、多样本下齿轮传动系统的故障 诊断。文章[Zhang W等.A new deep learning model for fault diagnosis with good anti
‑
noise and domain adaptation ability on raw vibration signals[J]. Sensors.]提出利用一维卷积神经网络的一种端对端的滚动轴承故障诊断算 法，能够有效诊断轴承在不同负载和不同噪声环境下的故障状态.
[0005]上述的深度学习方法相比于传统的基于信号分析的诊断方法，已经极 大的减少了对专家经验的依赖，但是此类方法大多直接从轴承故障原始时 域振动信号中提取信息，存在故障诊断特征单一的问题，导致故障诊断的 精度和效率有限，因此，如何充分利用故障在不同变换域的特征，提高模 型收敛速度和故障诊断精度成为新的问题焦点。

技术实现思路

[0006]本专利技术的目的在于提供一种基于权重自适应特征融合的轴承故障诊断 方法(Bearing Fault Diagnosis Method Based on Adaptive Weight FeatureFusion，简称BFD
‑
AWFF)，该方法首先对原始故障信号进行时频分析，得 到故障的频域信息和时频域信息，然后建立双通道特征提取网络模型，分 别对频域特征和时频域特征进行提取，得到原始故障的频域时频域特征， 克服了仅依靠单一时域数据进行诊断的传统方法存在的故障特征单一问题； 最后提出特征自适应加权算法对不同维度特征进行加权，克服了关键故障 特征重要程度缺失导致的模型收敛速度较慢问题，实现特征加权融合并通 过Softmax分类器实现对轴承故障的精确识别。
[0007]本专利技术提供一种基于权重自适应特征融合的轴承故障诊断方法，包括 以下步骤：
[0008]S1、利用加速度传感器采集原始故障的一维时序性振动信号，数据归 一化后对数据进行分割生成原始样本；
[0009]S2、将原始样本进行时频分析，分析方法为快速傅里叶变换和连续小 波变换，得到原始信号的频域数据和时频域数据；
[0010]S3、构建双通道特征提取模型，得到故障的频域和时频域特征；其中， 通道一为1D
‑
CNN模型通道，输入数据为原始信号经过快速傅里叶变换之 后生成的频域数据，对故障的频域特征进行提取，通道二为2D
‑
CNN模型 通道，输入数据为原始信号经过连续小波变换之后生成的时频域数据，对 故障的时频域特征进行提取；
[0011]S4、提出特征自适应加权算法，自适应地为频域和时频域特征匹配不 同权重，实现关键特征的自适应加权，采用Concatenate机制将加权后的特 征融合；
[0012]S5、分类层采用Softmax函数进行多种故障信号数据的分类，实现故 障信号的精确诊断。
[0013]进一步的，所述步骤S3中，构建双通道特征提取模型，得到故障的频 域和时频域特征，具体步骤如下：
[0014]1‑
1)、构建1D
‑
CNN神经网络通道，输入数据为原始故障信号经过快速 傅里叶变换后生成的频域数据，对频域数据进行故障频域特征的提取，按 照公式进行卷积层计算；
[0015]c
l
＝f(W
·
x
l
+b)
[0016]其中，x
l
代表输入的频域数据，c
l
代表输出特征向量，l代表输入样本 的编号，W,b分别代表计算过程的权重和偏置向量，实现特征的非线性变 换提取，f(
·
)表示卷积计算的激活函数Relu；
[0017]1‑
2)、构建2D
‑
CNN神经网络通道，输入数据为原始故障信号经过连 续变换后生成的时频域数据，对频域数据进行故障频域特征的提取，按照 公式进行卷积层计算；
[0018]c
l
＝f(W
·
x
l
+b)
[0019]其中，x
l
代表输入的时频图，c
l
代表输出特征向量，l代表输入样本的 编号，W,b分别代表计算过程的权重和偏置向量，实现特征的非线性变换 提取，f(
·
)表示卷积计算的激活函数Relu；
[0020]1‑
3)、将故障原始振动信号经过快速傅里叶变换和连续小波变换后生成 频域数据和时频域数据分别输入通道一和通道二，提取故障的频域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于权重自适应特征融合的轴承故障诊断方法，其特征在于，包括以下步骤：S1、利用加速度传感器采集原始故障的一维时序性振动信号，数据归一化后对数据进行分割生成原始样本；S2、将原始样本进行时频分析，分析方法为快速傅里叶变换和连续小波变换，得到原始信号的频域数据和时频域数据；S3、构建双通道特征提取模型，得到故障的频域和时频域特征；其中，通道一为1D
‑
CNN模型通道，输入数据为原始信号经过快速傅里叶变换之后生成的频域数据，对故障的频域特征进行提取，通道二为2D
‑
CNN模型通道，输入数据为原始信号经过连续小波变换之后生成的时频域数据，对故障的时频域特征进行提取；S4、提出特征自适应加权算法，自适应地为频域和时频域特征匹配不同权重，实现关键特征的自适应加权，采用Concatenate机制将加权后的特征融合；S5、分类层采用Softmax函数进行多种故障信号数据的分类，实现故障信号的精确诊断。2.根据权利要求1所述的基于权重自适应特征融合的轴承故障诊断方法，其特征在于，所述步骤S3中，构建双通道特征提取模型，得到故障的频域和时频域特征，具体步骤如下：1
‑
1)、构建1D
‑
CNN神经网络通道，输入数据为原始故障信号经过快速傅里叶变换后生成的频域数据，对频域数据进行故障频域特征的提取，按照公式进行卷积层计算；c
l
＝f(W
·
x
l
+b)其中，x
l
代表输入的频域数据，c
l
代表输出特征向量，l代表输入样本的编号，W,b分别代表计算过程的权重和偏置向量，实现特征的非线性变换提取，f(
·
)表示卷积计算的激活函数Relu；1
‑
2)、构建2D
‑
CNN神经网络通道，输入数据为原始故障信号经过连续变换后生成的时频域数据，对频域数据进行故障频域特征的提取，按照公式进行卷积层计算；c
l
＝f(W
·
x
...

【专利技术属性】
技术研发人员：刘晶，梁佳杭，季海鹏，赵佳，韩鹏，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：