[发明专利]基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法

说明书

本发明公开了一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，首先采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号，并根据各个加速度振动信号所对应的故障状态设置故障状态标签，对每个加速度振动信号进行标准化处理，作为训练样本对多分支多尺度卷积神经网络模型进行训练，多分支多尺度卷积神经网络模型包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层，然后采集滚动轴承当前的加速度振动信号，送入多分支多尺度卷积神经网络模型进行故障诊断。本发明通过采用多分支多尺度卷积神经网络模型，可以有效提高滚动轴承在强噪声环境和变载荷工况下的故障诊断性能。

技术领域

本发明属于滚动轴承故障诊断技术领域，更为具体地讲，涉及一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法。

背景技术

滚动轴承是工业应用系统中的重要部件，而滚动轴承引发的故障是引起机器设备失效的重要原因，特别实在高速、重载工况下的滚动轴承，由于接触应力的长期反复作用，极易引起疲劳、裂纹、剥蚀等故障，这些故障将会使轴承的旋转精度降低，产生振动、噪声，增加轴承旋转的阻力，最终使轴承受到阻滞和卡死，造成整个机械系统的失效，因此对轴承的故障检测非常重要。

传统的智能故障诊断方法需要手动提取信号特征，如局部均值分解、经验模态分解、希尔伯特黄变换和小波变换等。然后，将这些手动提取的特征输入到机器学习算法中得到滚动轴承的故障诊断结果，如K最近邻、随机森林、朴素贝叶斯和支持向量机等。传统智能故障诊断方法具有以下缺点：1)滚动轴承的振动信号受其他运动部件和结构的影响，其振动特性非常复杂，手动提取的特征不能充分表征滚动轴承复杂的动力学特性。2)在强噪声环境下，与故障相关的信号特征被噪声完全淹没；在变载荷工况下，故障特征分布在不同的特征区间，因此，手动提取的特征不能真实地反映轴承故障特征的内在特性。3)这些机器学习分类算法属于浅层模型，难以学习到振动信号复杂的非线性关系，容易造成误判。

最近，卷积神经网络技术在计算机视觉、语音识别、自然语言处理和信号处理等领域，取得了令人印象深刻的成果。卷积神经网络作为深度学习中很有前景的方法，已被学者们应用到旋转机械故障诊断中。然而在强噪声环境和变载荷工况下，滚动轴承振动信号的故障特征提取更具挑战性，以上方法在强噪声和变载荷工况下的滚动轴承故障诊断任务中表现欠佳。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，可以提高滚动轴承在强噪声环境和变载荷工况下的故障诊断性能。

为实现上述发明目的，本发明基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法包括以下步骤：

S1：以采样频率f_s采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号x_m[n]，其中m＝1,2,…,M，M表示所采集的加速度振动信号的数量，n＝1,2,…,N，N表示每个加速度振动信号中的采样点数量，从而获取加速度振动信号集X＝{x₁[n],x₂[n],...,x_M[n]}；并根据各个加速度振动信号x_m[n]所对应的故障状态，设置故障状态标签；

S2：对每一个加速度振动信号x_m[n]进行标准化处理，得到信号

S3：构建多分支多尺度卷积神经网络模型，包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层，其中：

低频分支卷积网络用于提取输入信号中的低频分量，并通过卷积操作得到其输出特征y^L；

恒等映射分支卷积网络用于对输入信号进行恒等映射操作，得到输出特征y^I；