[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

说明书

本发明公开了一种基于1‑DCNN和LSTM融合的滚动轴承故障诊断方法。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。本发明准确率更高、收敛速度更快、LOSS损失更低、并具有良好的泛化性和鲁棒性。

技术领域

本发明涉及轴承故障诊断方法，特别是一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法。

背景技术

滚动轴承作为机械设备中的核心部件之一，其健康状况是保证设备正常运行的关键.据不完全统计，旋转机械中约有30％的故障是由于轴承损坏导致，因此，轴承故障诊断技术的研究具有重要的经济价值和社会效益。

随着大数据驱动的人工智能技术的兴起，深度学习借助其强大的学习能力在特征学习、模式识别、数据挖掘等领域得到广泛应用。故障诊断借助深度学习技术的应用也取得了新的研究进展。作为深度学习典型的技术，卷积神经网络(CNN)和长短时记忆网络(LSTM)在故障诊断上的研究取得了一定进展。

文献“李恒,张氢,秦仙蓉,孙远韬.基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J].振动与冲击,2018,37(19):124-131”记载有：通过短时傅里叶变换和卷积神经网络的方法，实现轴承的故障诊断，实验表明，该方法具有较高的识别精度。

文献“张朝林,范玉刚.CEEMD与卷积神经网络特征提取的故障诊断方法研究[J].机械科学与技术,2019,38(02):178-183”记载有：基于互补集合经验模态分解(CEEMD)与CNN的特征提取方法，从而实现轴承的故障诊断。

文献“JANSSENS O，SLAVKOVIKJ V，VERVISCH B，et al.Convolutional neuralnetwork based fault detection for rotating machinery[J].Journal of Sound andVibration，2016，377:331-345”记载有：通过快速傅里叶变换(FFT)和CNN的诊断方法，实现了轴承的故障分类。

上述研究虽然取得较好轴承故障诊断效果，但也存在一些问题：模型输入需要将一维轴承信号转为二维数据输入，在一定程度上损失了原始信号的完整性以及空间相关性；同时也增加了数据预处理的人为干扰，且没有发挥深度学习网络强大的特征自学习和数据处理能力。

发明内容

本发明的目的在于，提供一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法。本发明准确率更高、收敛速度更快、LOSS损失更低、并具有良好的泛化性和鲁棒性。

本发明的技术方案：一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，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。

前述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法所述的步骤b中，在1-DCNN通道中提取得到空间特征信息具体如下：