[发明专利]基于多尺度信息融合的轴承故障诊断方法及系统

说明书

本发明公开了基于多尺度信息融合的轴承故障诊断方法及系统，包括：获取待故障诊断的轴承的振动信号和扭矩信号；对获取的故障诊断的轴承的振动信号和扭矩信号均进行傅里叶变换；将傅里叶变换后得到的故障诊断的轴承的振动信号和扭矩信号，输入到多尺度信息融合故障诊断模型中，输出待故障诊断的轴承的故障类型。本公开提出的网络结构能有效提取轴承振动信号和扭矩信号中互补的故障特征，在很大程度上提高了故障诊断的准确度。

技术领域

本公开涉及轴承故障诊断技术领域，特别是涉及基于多尺度信息融合的轴承故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

随着智能制造的不断发展，工业系统智能化程度越来越高，同时也变得越来越复杂，由设备损坏造成的损失也越来越大。早期的故障检测不仅可以在造成巨大的经济损失之前将故障排除，而且可以避免重大安全事故的发生。然而，由于工业系统的复杂性和非线性，很难建立精确的数学模型。而由于信息技术的飞速发展，工业系统中产生了大量的运行数据，其中包含了大量有价值的设备状态信息。对于具有高集成度的复杂系统，基于数据驱动的故障诊断方法被证明比基于人工经验的手工模型更有效。

传统的故障诊断和状态监测方法依赖于健康指标，如电流不平衡、过电压等，但在故障信号弱、持续时间短的早期可能无法准确判断和定位故障。在过去的几十年中，支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial Neural Network,ANN)和决策树等多种智能故障诊断方法得到了发展。这些智能方法虽然在故障诊断中取得了一定的成功，但在使用上存在诸多问题：

1)它们需要与特征提取方法结合使用，而特征的选择将在很大程度上影响最后的分类结果。此外，特征提取网络和分类器是单独设计的，需要消耗大量的时间，不能实现全局优化。

2)这些方法大多属于浅层结构，难以学习复杂系统的有效特征表示和非线性映射关系。

近年来，随着深度学习(Deep Learning,DL)的发展，越来越多的研究表明，由于DL的深层结构，它能够学习深层次的特征表达和非线性映射关系。另外，与传统的故障诊断方法不同，DL可以自适应提取故障特征并进行全局优化。深度神经网络因其深层次网络架构，可以解决传统机器学习中的上述问题，在故障诊断领域得到了广泛的应用。常用的深度学习方法有卷积神经网络(Convolutional Neural Network,CNN)、自动编码器(Auto-Encoder,AE)和深度信念网络(Deep Belief Network,DBN)等。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

尽管DL在特征提取方面有很好的性能，但是它也存在两个主要的问题，也是本案要解决的两个技术问题：

1)大多数DL方法只采用单一的源输入。目前，故障诊断领域的研究多集中在单一信号源上。然而，在复杂的工业系统中，获取完整的故障信息是困难的，采用单一信号源将导致信号中提取的故障特征不完整，以及网络的泛化能力较差等问题。

2)网络结构单一。为了提高故障诊断的性能，很多研究仅关注于增加网络的深度，这样不仅不能提取信号中的多尺度故障特征，而且会导致梯度消失现象的产生，使参数难以更新，给网络的训练带来很大的阻碍。

发明内容

为了解决现有技术的不足，本公开提供了基于多尺度信息融合的轴承故障诊断方法及系统；

第一方面，本公开提供了基于多尺度信息融合的轴承故障诊断方法；

基于多尺度信息融合的轴承故障诊断方法，包括：

获取待故障诊断的轴承的振动信号和扭矩信号；

对获取的故障诊断的轴承的振动信号和扭矩信号均进行傅里叶变换；