[发明专利]滚动轴承故障诊断中时序周期ResNet网络模型的构建方法

权利要求书

1.一种滚动轴承故障诊断中时序周期ResNet网络模型的构建方法，其特征在于，包括以下步骤：

步骤一：获取多组不同状态的滚动轴承时序数据并进行预处理，构建时序数据集；

步骤二：将时序数据集划分为多个时序周期片段，并对每个时序周期片段进行分类；

步骤三：采用残差网络并融合注意力机制模块构建时序周期ResNet网络模型；

步骤四：将步骤二中的多个时序周期片段划分为训练样本和测试样本，训练样本用于训练时序周期ResNet网络模型；将测试样本输入到训练后的时序周期ResNet网络模型中，通过Softmax分类器得到滚动轴承故障诊断的分类结果。

2.根据权利要求1所述的滚动轴承故障诊断中时序周期ResNet网络模型的构建方法，其特征在于，对滚动轴承时序数据进行预处理的方法为：滚动轴承时序数据在获取过程中存在部分不规则变量，通过求取时序数据标准差去除滚动轴承时序数据中的部分不规则变量；预处理后的滚动轴承时序数据具有规则的时序周期。

3.根据权利要求2所述的滚动轴承故障诊断中时序周期ResNet网络模型的构建方法，其特征在于，将时序数据集划分为多个时序周期片段的方法为：依据预处理后的滚动轴承时序数据具有规则的时序周期，利用电机滚动轴承的转速获取每一个时序周期片段的原始振动信号，并计算出每个时序周期片段的数据点个数r和总时序周期个数h，从而把时序数据集划分为多个时序周期片段，每个时序周期片段的周期规律相同，得到周期性数据矩阵为：

其中，r表示每一个时序周期片段的数据长度；h表示总时序周期片段的个数。

4.根据权利要求3所述的滚动轴承故障诊断中时序周期ResNet网络模型的构建方法，其特征在于，对每个时序周期片段进行分类的方法为：通过对周期性数据矩阵添加标签完成对每个时序周期片段的分类，得到：

其中，μ＝[μ₁,μ₂,μ₃,…,μ_s]表示每个时序周期片段的标签值。

5.根据权利要求1或4所述的滚动轴承故障诊断中时序周期ResNet网络模型的构建方法，其特征在于，所述步骤四中，时序周期ResNet网络模型采用残差网络提取每一类时序周期片段中滚动轴承时序数据特征，然后残差网络再将提取到的特征输出给注意力机制模块进行放大并过滤，从而对每一类时序周期片段中滚动轴承时序数据的特征达到进一步的提取。

6.根据权利要求5所述的滚动轴承故障诊断中时序周期ResNet网络模型的构建方法，其特征在于，所述残差网络采用跳跃连接实现恒等映射，对于输入数据x_τ，原期望输出结果为β(x_τ)，若将x_τ作为新期望输出结果，则学习目标为α(x_τ)＝β(x_τ)-x_τ，令α(x_τ)＝0，构成恒等映射β(x_τ)＝x_τ；若将原期望输出结果β(x_τ)与输入数据x_τ的差值作为新期望输出结果，则：

β(x_τ)＝α(x_τ，{W_h})+x_τ

式中：x_τ代表第τ层的输入数据；β(x_τ)代表原期望输出结果；α(x_τ,{W_h})代表学习到的残差映射；残差网络包含两层卷积，则α＝W₂σ(W₁x_τ)；W₁、W₂分别代表第1卷积层和第2卷积层的权重；τ表示输入数据x的个数；h表示第h层卷积；σ代表ReLU激活函数。