[发明专利]一种基于改进1DCNN-BiLSTM的设备故障诊断方法

权利要求书

1.一种基于改进1DCNN-BiLSTM的设备故障诊断方法，其特征在于，包括下述步骤：

S1：采用自适应白噪声的完整经验模态分解技术对原始振动加速度信号进行滤波去噪、重构、归一化的预处理过程，将预处理后信号作为S4中的1DCNN-BiLSTM双通道模型的输入；

S2：构建栈型双向LSTM模型通道，即Stacked BiLSTM模型通道，在Stacked BiLSTM通道后引入批归一化(BN)层，同时引入Dropout层随机减掉部分神经元值；

S3：构建1DCNN模型通道对原始信号的局部非相关性特征和弱周期性规律进行提取，在1DCNN通道后引入Dropout层随机减掉部分神经元值；

S4：构建1DCNN-BiLSTM双通道模型，在融合层对1DCNN模型通道和Stacked BiLSTM模型通道提取的数据特征借助Numpy工具库进行串联式拼接融合；

S5：改进SENet模块，对模块中二维全局平均池化计算改进为一维全局平均池化计算；

S6：将改进的SENet模块移植至双通道模型中间层，借助模块中激活计算过程实现数据特征通道的加权；

S7：输出分类层借助Softmax函数计算得出不同信号数据属于各种故障类别标签的概率值，实现故障轴承加速度信号的精确分类；

所述步骤S4中，采用搭建的双通道模型，对等量、同分布的预处理信号进行特征提取，步骤如下：

1-1)构建1DCNN神经网络通道对重构后的时序信号沿时间轴方向进行局部特征提取，从整体数据集固定长度的片段中提取非相关性特征，按照公式进行卷积层计算；

F＝f(W＊X+b)

其中表示输入数据向量，W表示卷积核权重矩阵，b为参与计算的偏置向量，f(·)表示卷积计算的激活函数ReLU；

1-2)构建Stacked BiLSTM神经网络通道，隐藏层实现正向计算和反向计算两个过程，为网络提供数据上下文信息；

h⁺_t＝LSTM⁺(h_t-1，x_t)

h^-_t＝LSTM^-(h_t+1，x_t)

y_t＝W_hyh_t⁺+W′_hyh_t^-+b_y

其中LSTM⁺(·)、LSTM^-(·)均为上文中LSTM细胞单元运算，h_t-1、h_t+1和x_t分别表示LSTM中上一时刻记忆细胞单元的输出值、下一时刻记忆细胞单元的输出值、当前时刻记忆细胞单元的输入值，W_hy和W′_hy分别为BiLSTM正向计算层、反向计算层的权重值，b_y为输出层的偏置向量；

1-3)预处理后的数据同时、等量、同分布的输入双通道模型中进行特征提取，模型双通道提取的数据特征经全连接层(FC)后输入融合层进行融合；

所述步骤S5、S6中，采用一维全局平均池化对SENet模块进行改进并移植至双通道模型，具体为：

2-1)在传统神经网络计算操作后建立″旁路分支″；首先进行Squeeze操作F_sq(·)，将二维特征图u_d进行数据维度压缩变成一个实数，即进行全局感受野的池化操作，保持特征通道数d不变，其中l_sw指u_d的行列大小乘积值；

2-2)接着进行Excitation操作F_ex(·)，采用先降维后升维的Bottlenect结构中全连接层+Sigmoid函数学习不同特征通道的重要程度，其中σ是激活函数，W和b分别表示计算过程中的权重和偏置；

s_d＝F_ex(z_d，W，b)＝(W＊z_d+b)

2-3)最终不同通道特征数据u_d乘上不同权重值s_d，即操作F_score(·)，实现关键特征通道的注意力机制得到的加权特征图为X_d；

X_d＝F_score(u_d，s_d)＝s_d＊u_d。