[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

说明书

本发明公开了一种基于MWDCNN的变工况下轴承故障诊断方法，旨在提供一种变工况自适应性能力强，准确性高的变工况下轴承故障诊断方法。包括下述步骤：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；构建多尺度权值分配卷积神经网络故障诊断模型；利用训练集对多尺度权值分配卷积神经网络故障诊断模型进行训练，然后利用训练后的多尺度权值分配卷积神经网络故障诊断模型对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。本发明的诊断方法具有抗噪性能及很高的变负载自适应性能力，准确性高。

技术领域

本发明涉及机械故障诊断技术领域，特别涉及一种基于多尺度权值分配卷积神经网络模型(MWDCNN)的变工况下轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械系统中重要的零部件，起到承载和传递载荷的作用，它的运行状态决定了旋转机械工作的可靠性。轻微损伤会使系统出现异常振动，损伤严重时将直接导致设备损坏，甚至造成人员伤亡，因此，研究滚动轴承的故障诊断方法具有重要意义。

目前智能故障诊断方法主要以传统故障诊断和深度学习故障诊断为主，传统故障诊断是通过人工从时域、频域和时频域提取原始信号的主要特征，然后输入到已有的模型中进行学习，最后利用该模型进行故障诊断识别。这种方法需要专家经验和先进的信号处理方法，如时域统计特征、时频谱二值化、变分模态分解、小波变换等，具有一定的局限性，因此限制了传统故障识别方法的进一步发展。而深度学习故障识别利用深层网络结构直接对输入的样本进行特征提取，摆脱了对人工特征提取和专家知识的依赖，实现了端到端的故障诊断。目前深度学习已在计算机视觉、情感分类、语音识别等模式识别任务中取得了突破性进展，同时在工业领域也正在迅速发展。

实际生活中，机械设备常处于复杂多变的工况下，外界强噪声干扰以及负载的变化均会导致测试样本的分布与训练样本的领域分布出现偏差，给故障特征的有效提取带来极大的难度，因此，提高模型对变工况工作条件的域自适应性具有重要意义。目前，变工况下轴承故障诊断方法主要存在下述技术问题：

1)不能够适应多变的工作环境；

2)忽略了特征提取过程中有效特征和无效特征权值不同的问题；

3)没有充分利用浅层特征和深层特征。

由于现有技术中的上述不足之处，因此，需要提供一种变工况自适应性能力强、准确性高的变工况下轴承故障诊断方法。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种变工况自适应性能力强，准确性高的变工况下轴承故障诊断方法。

为实现本发明的目的所采用的技术方案是：

一种基于MWDCNN的变工况下轴承故障诊断方法，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；