一种基于多尺度信息融合的轻量化旋转机械故障诊断方法技术

本发明专利技术涉及深度学习与故障诊断领域，具体为一种基于多尺度信息融合的轻量化旋转机械故障诊断方法

【技术实现步骤摘要】
一种基于多尺度信息融合的轻量化旋转机械故障诊断方法


[0001]本专利技术涉及深度学习与故障诊断领域，具体为一种基于多尺度信息融合的轻量化旋转机械故障诊断方法
。

技术介绍

[0002]旋转机械作为现代工业装备的重要组成，正日趋朝向智能化
、
高速化和超精密方向快速发展，尤其是随着工业系统复杂度和功能模块化集成度的提升，给装备整体的安全稳定性
、
鲁棒性提出了更大的挑战
。
在实际的工作中，旋转机械通常需要长时间连续承受来自负载工况和运行环境等多方面的激励和影响而易于发生各种故障
。
因此，机械状态的在线监测和早期故障诊断对复杂工业系统的安全运行至关重要
。
[0003]深度学习作为一种智能高效的模式识别技术已得到基于大数据驱动的机械装备故障诊断领域学者的广泛关注
。
学者们构建了多种深度神经网络模型，采用深度学习方法对故障数据进行充分学习，挖掘大量数据内部隐藏的非线性关系，实现了对输入信号深层次特征的自适应提取，更好地完成了故障特征提取与故障类型识别的协同处理
。
然而现有的故障诊断方法大多是从原始时间序列信号中挖掘复杂的关系，只能在时域上反映故障信息，造成了信息丢失
。
[0004]目前基于深度学习的数据驱动类故障诊断方法通过挖掘采集信号的深度信息从而判断故障类型
。
传感器监测的轴承振动信号通常是时域信号，为了能够更加凸显不同故障的差别，从多角度
、r/>多变换域对原始信号进行分析， 提出了一种基于多尺度信息融合的轻量化旋转机械故障诊断方法
。
将小波变换时频图（
CWT
‑
TFD
）
、
时序信号组合的多尺度信号作为输入，包含了更全面的状态信息，实现了多尺度数据的有效融合，同时为故障诊断领域图像数据和时序数据协同识别提供了可行方案
。

技术实现思路

[0005]为了更加有效的从原始故障数据中提取出故障特征，解决深度学习模型跨域特征提取能力不足和集成模型在增强特征学习能力的同时易导致过拟合的问题，本专利技术提供一种基于多尺度信息融合的轻量化旋转机械故障诊断方法
。
[0006]本专利技术采取以下技术方案：一种基于多尺度信息融合的轻量化旋转机械故障诊断方法，包括以下步骤：
S1
：采集旋转机械运行时的振动信号，对所述振动信号进行滑动窗口重叠采样得到时序信号的故障特征；
S2
：对旋转机械原始振动数据进行连续小波变换，得到具有增强状态信息的时频图数据集；
S3
：搭建一种双流网络结构，双流网络结构包括上分支结构和下分支结构，连续小波变换后的时频图数据集和时序信号的故障特征分别输入上分支结构和下分支结构，得到深度特征
x
i
和
x
j
；
S4
：对深度特征向量
x
i
和
x
j
进行融合，得到样本的最终融合特征，融合特征输入
SoftMax
分类器进行分类识别；
S5
：对步骤
S3
‑
S4
构建模型进行训练得到最优模型，利用训练好的最优模型对不同工况的故障进行诊断，检验模型的鲁棒性和泛化性
。
[0007]步骤
S1
具体包括：采用滑动窗口重叠采样法进行训练样本生成，滑动窗口重叠采样是一种常用的数据增强方法，它用于从一个序列中提取连续的子序列，并且这些子序列之间存在一定的重叠，采样过程如图2所示
。
[0008]计算新样本生成数量，计算经验公式如下：式中
l
代表原始样本的数据点个数，
W
代表滑动窗口的长度，即新样本长度，
B
为滑动窗口的步长，代表采样重叠率，
L
为新生成训练样本的数量
。
[0009]步骤
S2
具体包括：设待分析信号，则该信号的连续小波变换表示为：，则该信号的连续小波变换表示为：表示在一系列尺度因子
a
和偏移因子
b
下的小波系数，，
a
＞0，在连续小波变换中二者均为连续变量，连续小波函数根据复频域内积定义取其复共轭，具体形式如下：
。
[0010]双流网络结构的上分支结构为
EfficientNet
网络，下分支结构为三层
ConvLSTM
网络
。
[0011]EfficientNet
在百万级数据集上实现了当前图像分类网络的最佳精度
。ConvLSTM
网络结合了
CNN
和
LSTM
网络，不仅具有
LSTM
网络的时序建模能力，还能像卷积神经网络一样刻画局部特征，同时提取空间和时间特征而不丢失关键特征信息
。
在一些实施例中，双流网络结构的上分支结构为改进轻量化
EfficientNet
网络，下分支结构为
ConvLSTM
体系网络，令改进轻量化
EfficientNet
与
ConvLSTM
体系网络分别提取连续小波变换时频图（
CWT
‑
TFD
）和时序信号的故障特征，根据多尺度信号匹配最优的特征提取模型，在增强集成模型特征学习能力的同时满足了模型轻量化的要求
。
[0012]EfficientNet
网络内部通过5个
MBConv
模块实现特征提取，
MBConv
模块采用深度可分离卷积代替普通卷积，对每个输入通道使用一个卷积核称为深度卷积，使用一个1×
1 的卷积合并深度卷积的输出称为逐点卷积
。
极大地降低了模型的参数量和计算量，提高了网络的检测速度
。
[0013]双流网络下分支结构中三层
ConvLSTM
在数据流中使用，过滤器尺寸为
32、64
和
128
，在所有的
ConvLSTM
层中，卷积核大小为1×3，用线性整流函数
Relu
作为激活函数，
BN
层
、Max
‑
Pool
层和
Dropout
层确保模型不会过拟合，
Max
‑
Pool
层的卷积核大小为1×1×3，
Dropout
层丢弃率设置为
0.2。
[0014]步骤
S4
具体包括：
S41
：通过自适应判别度量学习方法对深度特征向量
x
i
和<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度信息融合的轻量化旋转机械故障诊断方法，其特征在于，包括以下步骤：
S1
：采集旋转机械运行时的振动信号，对所述振动信号进行滑动窗口重叠采样得到时序信号的故障特征；
S2
：对旋转机械原始振动数据进行连续小波变换，得到具有增强状态信息的时频图数据集；
S3
：搭建一种双流网络结构，双流网络结构包括上分支结构和下分支结构，连续小波变换后的时频图数据集和时序信号的故障特征分别输入上分支结构和下分支结构，得到深度特征
x
i
和
x
j
；
S4
：对深度特征向量
x
i
和
x
j
进行融合，得到样本的最终融合特征，融合特征输入
SoftMax
分类器进行分类识别；
S5
：对步骤
S3
‑
S4
构建模型进行训练得到最优模型，利用训练好的最优模型对不同工况的故障进行诊断，检验模型的鲁棒性和泛化性
。2.
根据权利要求1所述的基于多尺度信息融合的轻量化旋转机械故障诊断方法，其特征在于，所述步骤
S1
具体包括：采用滑动窗口重叠采样法进行训练样本生成，计算新样本生成数量，计算经验公式如下：式中
l
代表原始样本的数据点个数，
W
代表滑动窗口的长度，即新样本长度，
B
为滑动窗口的步长，代表采样重叠率，
L
为新生成训练样本的数量，根据
L
将新生成样本的
80%
作为训练集，
20%
作为测试集
。3.
根据权利要求1所述的基于多尺度信息融合的轻量化旋转机械故障诊断方法，其特征在于，所述步骤
S2
具体包括：设待分析信号，则该信号的连续小波变换表示为：，则该信号的连续小波变换表示为：表示在一系列尺度因子
a
和偏移因子
b
下的小波系数，，
a
＞0，在连续小波变换中二者均为连续变量，连续小波函数根据复频域内积定义取其复共轭，具体形式如下：
。4.
根据权利要求1所述的基于多尺度信息融合的轻量化旋转机械故障诊断方法，其特征在于，所述双流网络结构的上分支结构为
EfficientNet
网络，下分支结构为三层
ConvLSTM
网络
。5.
根据权利要求4所述的基于多尺度信息融合的轻量化旋转机械故障诊断方法，其特

【专利技术属性】
技术研发人员：丁华，王光，孙晓春，李宁，张瑞珈，赵伟卓，马子越，王义亮，浦国树，宫文博，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：