多传感器信号融合下基于改进残差网络的轴承故障诊断方法技术

本发明专利技术公开了一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，属于轴承故障诊断技术领域。本发明专利技术步骤如下：1、利用多个传感器，获取轴承部件在不同的同步振动信号数据，将数据进行归一化；2、截取数据集中的一维振动信号，将该一维振动信号转换成二维信号，再将不同位置得到的二维信号融合成多通道输入；3、利用包含3个双连接注意力残差模块的诊断模型，学习多通道输入数据中的故障特征，对提取的通道特征进行差异性划分，并计算模型训练过程中的损失值；4、根据得到的损失值，利用误差反向传播算法对整个网络的权重参数进行更新，直至达到最大更新次数。本发明专利技术在变工况和噪声环境干扰下，具有良好的故障分类精度。度。度。

【技术实现步骤摘要】
多传感器信号融合下基于改进残差网络的轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，具体涉及一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法。

技术介绍

[0002]轴承作为旋转机械的关键部件，一旦发生故障直接影响设备性能，甚至会造成安全事故。因此，精确地诊断轴承健康状态对设备平稳运行有着重要意义。
[0003]随着信息化技术的广泛应用，各种工业场景下收集的振动数据，被越来越多地应用到故障监测中，这使得基于数据驱动的故障诊断技术得到了快速发展，并在实际生产中得到广泛应用。传统的故障诊断方法主要包含振动信号的预处理、特征提取和故障状态分类三个部分。传统方法虽然对提升故障诊断效果有一定价值，但存在数据预处理需要大量先验知识、特征提取不充分、不同场景下的泛化性能差等不足。
[0004]研究者利用深度学习理论开发出了多种深层网络模型，用于故障数据的自适应学习，实现数据间非线性关系的深度挖掘，从而摆脱对专家知识的依赖。卷积神经网络作为一种典型的多级前馈式神经网络，有着利于模型训练的稀疏连接结构和权值共享特性，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，其特征在于，包括如下步骤：步骤1、利用多个传感器，获取轴承部件在不同运行状态下，不同位置的同步振动信号数据，将数据进行归一化；步骤2、以固定长度截取数据集中的一维振动信号，将该一维振动信号转换成二维信号，再将不同位置得到的二维信号融合成多通道输入；步骤3、利用包含3个双连接注意力残差模块的诊断模型，学习多通道输入数据中的故障特征，对提取的通道特征进行差异性划分，并通过交叉熵损失函数计算模型训练过程中的损失值；步骤4、根据得到的损失值，利用误差反向传播算法对整个网络的权重参数进行更新，直至达到网络设置的最大更新次数；步骤5、将训练好的模型应用于轴承故障诊断，输出故障分类结果。2.根据权利要求1所述的一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，其特征在于：步骤一以1024个采样点为一个样本长度进行无重叠采样，并将采集的原始同步振动信号数据归一化到无量纲的同一范围。3.根据权利要求2所述的一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，其特征在于：步骤2中将长度为1024个采样点的原始信号，按照32个采样点为一段的方式进行截取，得到32个等长的片段；然后将截取的信号依次进行堆叠，最终得到一个32
×
32的二维重构信号。4.根据权利要求3所述的一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，其特征在于：步骤2中，将每个传感器同一时刻采集的信号均转换成二维重构信号，再采用并联方式实现不同位置所收集信号的融合，形成多通道输入。5.根据权利要求1
‑
4任一项所述的一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，其特征在于：步骤3所述诊断模型包括依次连接的2个卷积层以及3个双连接注意力残差模块DARM1、DARM2、DARM3，DARM1、DARM2、DARM3后均连接池化层，DARM3所接池化层后接全局平均池化层和Softmax分类层。6.根据权利要求5所述的一种多传感器信号融合下基于改进残差网络的轴承故障诊断方法，其特征在于：双连接注意力残差模块DARM基于跳跃连接构建带有双连接的残差模块，在每个双连接残差模块后，连接一个通道注意力机制模块。7.根据权利要求6所述...

【专利技术属性】
技术研发人员：张洪亮，余其源，吴春花，张宇腾，陈彬，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：