[发明专利]一种基于ATT-CNN的变工况下滚动轴承故障识别方法

说明书

一种基于ATT‑CNN的变工况下滚动轴承故障识别方法，涉及滚动轴承故障识别技术。为了解决现有的变工况下滚动轴承故障识别方法针对复杂分类问题其泛化能力受到一定制约的问题。首先，通过卷积神经网络(CNN)将振动数据映射到非线性空间域，并利用其对输入信号的微小位移、缩放及其他扭曲形式具有不变性的特点，自适应提取变工况下滚动轴承故障特征；其次，提出将注意力机制(ATT)思想融入CNN结构中，进一步提高变工况下轴承振动特征的敏感性；同时通过数据增强方法获得更加丰富多样的训练样本，使得网络得到更充分地学习，提高了鲁棒性。所提出的基于注意力机制CNN(ATT‑CNN)故障诊断模型可实现变工况下的滚动轴承多状态识别与分类，并与其他方法比较，可获得更高的准确率。

技术领域

本发明涉及一种变工况下滚动轴承故障识别方法，涉及滚动轴承故障识别技术。

背景技术

滚动轴承在工业生产中的地位举重若轻，其常工作于负载与转速变化的状态，因此，对变工况条件下滚动轴承故障演变过程中的性能状态进行有效地诊断，提高机械设备的可靠性，具有重要意义^[1]。在故障诊断领域，使用状态监测数据与人工智能方法相结合，逐渐成为近年来的研究热点。尤其，变工况条件下的滚动轴承故障信号蕴藏更为丰富的振动特征信息^[2]，其故障发展的动态特性也对退化特征提取提出了新的挑战。

退化特征指偏离轴承正常状态的特征，这些特征形式承载轴承结构损伤的外在表现，构成轴承功能衰退的具体反映^[3]。常用的故障退化特征有时域统计特征^[4]、频域统计特征^[5]及时-频域特征^[6-10]。目前，提取退化特征结合分类器的故障诊断方法应用广泛，常用的分类方法有聚类分析^[11]、支持向量机^[12]与超球支持向量机^[13]等。然而，在轴承退化期间，故障程度是发展的，浅层特征无法准确地表示输入数据与不同健康状态之间的复杂非线性关系^[14]。因此，仅利用统计特征或传统的信号处理方法提取特征刻画全局和局部故障退化特征本质上是困难的。

近年来，深度学习(deep learning，DL)在计算机视觉和语音识别等领域广泛应用，其通过构建深层非线性网络结构实现复杂函数逼近，能够刻画数据丰富的内在信息^[15]。DL可用于从大量非结构化多模态数据中自动提取潜在的故障特征，文献[17]和[18]提取时域、频域及时-频特征，作为深度置信网络的输入，分别实现了滚动轴承和轴向柱塞泵的多状态分类。文献[19]使用经验模态分解结合奇异值分解方法进行特征提取，建立基于改进自编码器(auto encoder，AE)的滚动轴承故障诊断模型。卷积神经网络(convolutional neural network，CNN)可用来处理复杂多变的信号，大量的研究受益于CNN的局部连接，权值共享等特性^[20]。文献[21]构建特征矩阵训练CNN故障诊断模型，实验验证分类效果优于AE等方法。滚动轴承的实际运行环境复杂多变，负载和转速也是变化的。然而，上述数据驱动的故障诊断方法大多针对单一工况或相同工况下推断轴承失效规律，并未考虑工况变化的影响。