[发明专利]一种基于改进1DCNN-BiLSTM的设备故障诊断方法

说明书

本发明公开了一种基于改进1DCNN‑BiLSTM的设备故障诊断方法，包括下述步骤：S1.采用自适应白噪声的完整经验模态分解(CEEMDAN)技术对原始振动加速信号进行预处理，作为模型的输入；S2.构建1DCNN‑BiLSTM双通道模型，将预处理信号输入双向LSTM模型和一维CNN模型两个通道，对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取；S3.针对信号夹杂强噪声问题，改进SENet模块并作用于两个不同模型通道；S4.在全连接层将双通道提取特征融合，借助Softmax分类器实现对设备故障的精确识别。本发明针对工业领域中故障数据存在时序性和夹杂噪声问题，对原始信号滤波去噪预处理，构建1DCNN‑BiLSTM双通道特征提取模块，并融入改造的SENet模块实现特征通道的加权，有效提高机械设备故障诊断效率。

技术领域

本发明涉及工业设备故障诊断及深度学习模型构建技术领域，具体涉及一种基于改进1DCNN-BiLSTM的设备故障诊断方法。

背景技术

随着现代工业的迅速发展，“智能工厂”中的机械设备也向着集成化、复杂化方向蓬勃发展。滚动轴承是旋转机器中广泛应用的零件之一，伴随机械设备的持续运行，轴承不可避免出现各式各样的故障。据统计在旋转机械的故障中，轴承损坏的故障约占30％。造成故障的原因也往往是复杂多样的，滚动轴承的状态监测与故障诊断是机械设备故障诊断技术的重要内容。因此，机械设备轴承的故障诊断对于提高生产效率和经济效益具有十分重要的意义。

基于信号处理的设备故障诊断方法在以数据驱动的方法中效果显著。经验模态分解(empirical mode decomposition，EMD)作为一种新的信号处理方法，可将信号局部时变特征自适应地分解成若干个本征模函数(IMF)之和，能够突出信号的局部特征。文章[S Gao等.Rolling bearing fault diagnosis of PSO–LSSVM based on CEEMD entropy fusion[J].Transactions of the Canadian Society for Mechanical Engineering.]利用互补经验模态分解(CEEMD)对滚动轴承振动信号分解，获取具有故障特征IMF的奇异熵，能量熵和置换熵，提出熵融合的特征提取方法，借助核主成分分析(KPCA)和粒子群优化(PSO)算法实现滚动轴承的分类。文章[Xiang等.Rolling element bearing fault detection usingPPCA and spectral kurtosis.Measurement]将概率主成分分析(PPCA)和光谱峰度(SK)融合方法实现滚动元件轴承故障检测。传统的基于信号特征提取的方法虽然取得不错的进展，但仍存在先验知识要求高、收敛速度慢、诊断精度不够等先天缺点。

深度神经网络是解决复杂系统诊断问题有效的模型，可直接对高度非线性、复杂、多维系统数据进行建模，挖掘数据与诊断目标的映射关系。文章[Hoang DT等.A deepneural network-based feature fusion for bearing fault diagnosis.Sensors]根据数据源设置有n个分支的DNN模型，每个分支由CPB模块(卷积层、批归一化层、池化层)组成实现故障轴承故障诊断，证明多分支模型比单传感器具有更高的诊断性能。文章[ShijieHao等.Multisensor data fusion for gearbox fault diagnosis using2-Dconvolutional neural network and motor current signature analysis.MechanicalSystems and Signal Processing]提出了一种用于轴承故障诊断的1DCNN-LSTM网络端到端解决方案，方案直接从一维卷积层、池化层和LSTM层的多个传感器测量的振动信号中提取时空特征，最后由输出层完成轴承故障诊断进行分类。