[发明专利]一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法

权利要求书

1.一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法，其特征在于，包括下述步骤：

(1)对待诊断数据集进行故障类型与标签的对应关系设置，并划分训练集与测试集；

(2)构建多尺度权值分配卷积神经网络故障诊断模型；

(3)利用所述训练集对所述多尺度权值分配卷积神经网络故障诊断模型进行训练，然后利用训练后的所述多尺度权值分配卷积神经网络故障诊断模型对所述测试集进行故障诊断，输出轴承故障类型；

所述多尺度权值分配卷积神经网络故障诊断模型由特征提取模块、多尺度特征连接模块及分类模块构成；

所述特征提取模块由多个特征权值分配单元组成，末端的所述特征权值分配单元由卷积层与权值分配层组成，其余每个所述特征权值分配单元由卷积层、权值分配层及池化层组成；所述卷积层用于对输入的数据进行卷积运算；所述权值分配层用于对所述卷积层输出的特征进行权值分配，并保持输出特征的维度不变；所述池化层用于对所述权值分配层输出的特征进行最大池化处理；每个所述池化层输出的最大池化处理结果作为下一个所述特征权值分配单元的卷积层的输入；每个所述权值分配层的输出特征作为所述多尺度特征连接模块的输入；

所述多尺度特征连接模块用于将每个所述特征权值分配单元中所述权值分配层的输出特征进行融合，采用通道数合并的方式将所述特征权值分配单元输出的特征进行连接；

所述分类模块用于将所述多尺度特征连接模块输出的特征进行全局平均池化处理，铺展成一维的特征向量，然后输入到所述分类模块的全连接层，利用softmax函数处理所述分类模块的全连接层的输出特征，进行故障诊断。

2.根据权利要求1所述的基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法，其特征在于，所述权值分配层的权值分配包括基于通道的权值分配和基于空间的权值分配；所述基于通道的权值分配是将输入的特征图F，经过基于长度和宽度的全局平均池化处理，压缩空间维度后得到特征图F_avg，接着利用第一全连接层对特征图F_avg进行压缩，然后输入到第二全连接层，利用sigmoid函数进行激活，将特征映射到0-1区间内，即对每个通道的重要性进行预测，得到不同通道的重要性大小，之后，与所述输入特征图F做乘法操作，生成基于通道的加权特征图F'；公式如下：

式中：σ是sigmoid函数；W₀是第一全连接层的权重，W₁是第二全连接层的权重；F_avg∈R^C×1×1；F∈R^C×H×W，F'∈R^C×H×W；R表示特征图维度；H是高度，W是宽度，C是通道数；

所述基于空间的权值分配是将所述基于通道的加权特征图F'，经过基于通道的全局平均池化和全局最大池化后进行合并，得到特征图F_a'_vg,max，然后通过卷积操作将其降维为1个通道，利用sigmoid函数进行激活，特征被映射到0-1区间，与所述基于通道的加权特征图F'做乘法操作，生成基于空间和通道的加权特征图F”；公式如下：

式中：σ是sigmoid函数；f^3×3是3×3卷积层；F'_avg,max∈R^2×H×W。

3.根据权利要求1或2所述的基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法，其特征在于，步骤(3)利用训练集对所述多尺度权值分配卷积神经网络故障诊断模型进行训练的方法为：

以所述训练集的振动信号作为所述多尺度权值分配卷积神经网络故障诊断模型的输入，以故障类型对应的标签作为所述多尺度权值分配卷积神经网络故障诊断模型的输出，对所述多尺度权值分配卷积神经网络故障诊断模型进行训练。