[发明专利]一种基于CNN与LSTM深度特征融合的故障诊断方法

说明书

本发明公开了一种基于CNN与LSTM深度特征融合的故障诊断方法，深度学习近年来在故障诊断领域得到广泛应用。但利用单个深度学习模型来进行特征提取和故障诊断将面临数据利用不充分、特征提取不全面的问题，从而影响故障诊断的精度。针对上述问题，提出了一种特征融合机制，使用两种不同的神经网络对一维序列数据和二维波形图数据分别做特征抽取：使用LSTM抽取一维序列数据的自相关特征，使用CNN抽取二维波形图数据的互相关特征。通过加入特征融合网络，实现两种神经网络特征互补融合的目的，而不同于现有的特征简单拼接融合。从而使数据利用更加充分，特征提取更加全面，故障诊断更加准确。

技术领域

本发明涉及基于深度学习的齿轮箱故障诊断技术领域，尤其涉及一种基于CNN与LSTM深度特征融合的故障诊断方法，实现基于深度学习的齿轮箱故障诊断。

背景技术

随着现代工业技术的迅速发展，大型自动化系统的结构越来越复杂，生产设备不同部分之间的耦合程度越来越高，在一处发生的故障可能会引起整个系统的瘫痪，甚至会造成灾难性事件发生。因此，对机械设备进行准确可靠的实时故障诊断是至关重要的。

常见的故障诊断方法一般分为三类：基于经验知识的方法、基于解析模型的方法和基于数据驱动的方法。其中，基于经验知识的方法和基于解析模型的方法受限于先验知识的完备性和工程实际中数学模型的精确程度，并且模型的可扩展性较差，进行故障诊断具有很大的局限性。基于数据驱动的方法不受限于丰富的先验知识和已经建立的精确机理模型，仅仅通过数据特征抽取技术建立起基于数据的故障诊断模型，就可以对复杂系统进行故障诊断，近年来受到广泛关注。深度学习是一种数据驱动方法，有较强的自适应能力。它是一种多级特征学习方法，利用非线性的分量将每一层的特征转换为更抽象的高阶层次特征，深度学习由于其强大的特征表示能力，受到故障诊断领域专家的广泛关注。在各种深度学习模型中，最早用于图像识别的卷积神经网络(CNN)已成功地应用于特征提取。CNN独特的建模特性有助于在观测中发现局部结构或可配置关系。近年来，基于CNN的故障诊断方法得到了广泛的研究。虽然CNN在故障诊断方面取得了很大的成就，但是CNN更注重局部特征，忽略信号整体与局部的联系。对于序列信号，缺少内部之间的长期依赖关系。这种隐藏在序列内部之间的长期依赖关系被认为是一种非常有助于故障诊断的特征。

长短期记忆网络(LSTM)是循环神经网络(RNN)的重要分支，非常适合处理与时间序列高度相关的问题，能够学习隐藏在时间序列数据中的长期依赖关系。在故障诊断和预测领域，由于其出色的序列自相关特征抽取能力，受到领域专家的广泛关注。虽然LSTM在时间序列数据的故障诊断方面取得了很大的成功，但是他固有的顺序性使得LSTM模型没有考虑到数据的局部特征，这将导致特征提取不全面，数据利用不充分，信息流失的问题。

因此提供一种效果较好的基于深度学习的特征融合方法来进行故障诊断是本领域技术人员需要研究的问题。

发明内容

针对现有故障诊断方法的数据利用不充分、特征提取不全面，导致不能最大效率的利用已有的训练数据进行故障诊断的技术问题，本发明提出一种基于CNN与LSTM特征融合的在线故障诊断方法，融合CNN提取的互相关特征和LSTM提取的序列间自相关特征，可以使数据利用更加充分，特征提取更为全面，故障诊断更为准确。

具体的，本发明通过以下方案实虚线上述目的：

一种基于CNN与LSTM特征融合的在线故障诊断方法，其特征在于，包括以下步骤：

S1、建立数据集，所述数据集包括训练集和测试集，所述训练集和测试集均包含一维序列数据与对应的二维波形图数据，所述二维波形图是由一维序列数据绘制而成；

所述步骤S1包含以下步骤：

S1.1、选取不同故障类型的齿轮箱一维序列样本数据，并设置不同故障类型标签；

S1.2、对步骤S1.1中所述的一维序列样本数据利用Matlab画出对应的波形图，得到二维波形图数据；