[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

说明书

本发明提出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，用以解决传统的时间序列分类方法不具备应对滚动轴承复杂的运行环境以及浅层网络结构难以解决复杂非线性信号的故障分类、分类准确度低等技术问题。本发明包括获取多组不同状态的滚动轴承时序数据，并对滚动轴承时序数据预处理，然后将预处理后的滚动轴承时序数据分成多个时序周期片段并进行标签分类，构建时序周期ResNet网络模型提取滚动轴承时序数据的特征进行故障诊断，最后输出滚动轴承故障诊断的分类结果。本发明简化深度学习的运行过程，显著提高轴承数据集的故障诊断精度。

技术领域

本发明涉及以机器学习技术为基础的旋转机械故障诊断技术领域，具体涉及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。

背景技术

时间序列特指变量随时间先后采集的一组数据，这类数据直观反映某一变量随时间变化的状态和趋势，是众多数据不可缺少的特征之一。针对时间序列数据分类问题，研究发现时序数据特征规律对机械设备的故障诊断具有重要意义。

滚动轴承是机械设备重要部件之一，轴承的健康问题，直接影响机械设备的正常运行。随着现代工业的迅速发展，工业系统整体呈现复杂、智能和多样化，与此同时机械设备的各类零部件变得越来越复杂。因此，滚动轴承的健康和故障诊断十分重要。

在传统的时间序列轴承故障分类方法中，流程为收集原始振动信号并进行预处理，提取振动信号特征，将特征提取作为分类器的输入完成分类任务。传统的时间序列分类方法不具备应对滚动轴承复杂的运行环境，随着人工智能的迅速发展，基于深度学习的时间序列分类任务表现出较强的竞争力，迅速扩展到多个领域。常见的分类器有支持向量机，稀疏自编码器，但浅层网络结构难以解决复杂非线性信号的故障分类问题，分类准确度低。

发明内容

针对传统的时间序列分类方法不具备应对滚动轴承复杂的运行环境以及浅层网络结构难以解决复杂非线性信号的故障分类问题、分类准确度低等技术问题，本发明提出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，简化深度学习的运行过程，显著提高轴承数据集的故障诊断精度。

为解决上述技术问题，本发明采用以下技术方案：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，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。

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。

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。

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：