[发明专利]一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法

权利要求书

1.一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，按下述步骤进行：

a.将原始一维振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充，得到扩充信号；

b.将扩充信号分别输入到1-DCNN和LSTM两个通道中进行训练分析，提取特征信息；在1-DCNN通道中提取得到空间特征信息，在LSTM通道中提取得到时间特征信息；

c.将空间特征信息和时间特征信息通过concatenate层进行拼接操作，得到拼接特征；

d.将拼接特征接入全连接层，通过Softmax分类器进行故障类别的分类。

2.根据权利要求1所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤b中，在1-DCNN通道中提取得到空间特征信息具体如下：

对于一个给定的样本Ф＝{S,L}，S表示原始以为振动信号样本，L表示样本对应的类标签，其过程用下述公式描述：

Fⁱ＝ConvlD(S*γⁱ_ConvlD) (1)

其中，ConvlD(*)表示CNN中的卷积操作，γⁱ_ConvlD表示第i个卷积层中的参数，Fⁱ表示提取到的空间特征信息。

3.根据权利要求2所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤b中，在LSTM通道中提取得到时间特征信息具体如下：

L_t＝O_t·tanh(C_t) (2)

其中，O_t表示t时刻LSTM中的输出门限，C_t表示计算过程中的候选值向量，L_t表示提取到的时间特征信息。

4.根据权利要求3所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤c中，拼接操作具体如下：

其中，(⊙)表示维度的拼接操作，M_concat表示融合拼接CNN和LSTM后的特征。

5.根据权利要求4所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤d中，通过Softmax分类器进行故障类别的分类具体如下：

其中，表示Softmax分类器，γ^j_cls表示第j类的softmax参数，SC_j表示不同类别的预测概率分布。