一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法技术

本发明专利技术公开了一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法，涉及机械零部件故障诊断技术领域，由数据输入、网络段1、网络段2和结果输出四部分组成，所述数据输入部分用于对原始数据进行预处理并传输至网络段1中，通过所述网络段1中神经元的连接方式进行网络训练，并将输出的预测序列传输至网络段2；所述网络段2对所述预测序列进行分类以得到多种不同的故障类型并传输至结果输出部分，所述结果输出部分来对其进行训练和诊断，并输出最终的诊断结果。本发明专利技术所述的金字塔型时间卷积神经网络结构及诊断方法，能够对不同传感器数据进行融合，且网络参数小、网络训练时需要的内存资源少且能够进行实时故障诊断。诊断。诊断。

【技术实现步骤摘要】
一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法


[0001]本专利技术属于机械零部件故障诊断
，具体涉及一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法。

技术介绍

[0002]作为旋转机械的核心部件，轴承最易发生故障和损坏，在工业生产过程中，提前发现轴承的故障隐患能够避免轴承失效引起的工业生产过程停顿，提高生产环境安全性，降低由此带来的经济损失。因此轴承故障诊断在工业生产过程中具有非常重要的应用价值。
[0003]现有的轴承故障诊断方法主要是通过采集轴承的振动信号，不同的故障会引起不同类型的振动表现形态，通过故障类型与振动信号的表现形态建立一一对应关系，实现通过对振动信号的分析来对故障类型进行诊断判别。因此振动信号分析就成了故障诊断的关键问题，主流的故障诊断技术主要有分阶段的传统机器学习和端到端深度神经网络两种方法。
[0004]其中分阶段的传统机器学习方法分别特征提取和分类两个主要过程，特征提取是指采用一些数字变换方法将传感器数据进行转换，使信号更具区分度；分类阶段是在特征提取基础上采用支持向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于实时轴承故障诊断的金字塔型时间卷积网络结构，其特征在于：由数据输入、网络段1、网络段2和结果输出四部分组成，所述数据输入部分用于对从不同类型传感器接收到的数据集进行标准化处理，并使数据与网络结构适配，再将预处理后的数据传输至网络段1部分中；所述网络段1用于根据历史数据预测将来数据，由输入层、隐藏层1、隐藏层2和输出层四层神经元组成，所述隐藏层1、隐藏层2、输出层的每一层神经元分别与前一层的4个神经元连接，通过所述网络段1中神经元的连接方式进行网络训练，并将输出的预测序列传输至网络段2；所述网络段2包括输入层、隐藏层1、隐藏层2、隐藏层3、隐藏层4、隐藏层5和输出层，且每层神经元数量均为前一层的四分之一，输出层为1个神经元；所述网络段2对所述预测序列进行分类以得到多种不同的故障类型并传输至结果输出部分，所述结果输出部分来对其进行训练和诊断，并输出最终的诊断结果。2.根据权利要求1所述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，其特征在于：所述数据输入部分通过均匀抽样的方法使数据与网络结构适配；通过最小最大标准化方法使不同属性的传感器数据标准化。3.根据权利要求1所述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，其特征在于：所述网络段1用于输出预测序列，包括：通过公式计算出神经元输出，其中a表示输入神经元值，b表示偏置，ReLU(
·
)表示激活函数W表示卷积核权值，且每层卷积核相同；网络段1输出序列为OUT1＝(o11,o12,
…
,o1
i
,
…
o1
N
)，标签序列为并约束两者相等；网络段1的损失函数为4.根据权利要求1所述的用于实时轴承故障诊断的金字塔型时间卷积网络结构其特征在于：...

【专利技术属性】
技术研发人员：常亚军，杨艺，张浩淼，李新伟，杨亚威，崔华，张旭和，杨龙，
申请(专利权)人：郑州煤机智控技术创新中心有限公司，
类型：发明
国别省市：