[发明专利]一种强噪声环境下的滚动轴承故障诊断方法及系统

权利要求书

1.一种强噪声环境下的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

S1:以采样频率f_s采集无故障和不同故障类型以及不同故障程度的轴承在不同负载下的振动加速度信号x_i,j；

S2：对采集的振动加速度信号x_i,j进行归一化处理得到归一化后的振动加速度信号并按照故障类型以及故障程度为归一化后的振动加速度信号设置深度学习的训练标签；

S3：构建神经网络模型，包括：随机采样层、结合SENet的CNN全局型特征提取器、基于CNN的高维特征提取器、基于GRU的特征分类器、全连接层和Softmax层；归一化后的样本依次经过随机采样层、结合SENet的CNN全局型特征提取器、基于CNN的高维特征提取器、基于GRU的特征分类器和全连接层的处理，最后通过Softmax层输出以得到结果标签；其中，所述随机采样层用于增加受到模拟噪声干扰的训练数据；结合SENet的CNN全局型特征提取器用于提取全局型故障特征；基于CNN的高维特征提取器用于从提取的全局型故障特征中抽象出高维故障特征；基于GRU的特征分类器用于对基于CNN的高维特征提取器提取的特征进行聚类；

S4：将步骤S2处理过后的归一化后的振动加速度信号以及对应的训练标签输入到步骤S3中的神经网络模型中进行训练；

S5：采用与步骤S1中相同采样频率f_s采集当前设备滚动轴承的振动数据得到待测振动加速度信号X_i,j；

S6：按照步骤S2对待测振动加速度信号X_i,j进行归一化处理得到归一化后的测试数据将归一化后的测试数据输入到步骤S4所述的训练好的模型中，诊断出当前轴承的故障状态。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中随机采样层是采用服从概率为p的伯努利分布的随机采样，其中p在每个训练周期取一个0.5到1之间的随机值，为保持数据长度，未被采样的数据原地置0。

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中结合SENet的CNN全局型特征提取器由一个CNN特征提取器和一个SENet组成；CNN提取器由一个卷积层、一个AdaBN层和一个ELU激活层依次组成，其中AdaBN层能够对卷积层结果进行标准化操作，标准化公式为：

式中：x^(k)为AdaBN层的输入，γ^(k)、β^(k)为AdaBN层的缩放与偏置参数，y^(k)为AdaBN层的输出，其中γ^(k)、β^(k)在训练模式下是自主学习训练的参数，在测试模式下用该参数来更新测试数据的分布；SENet由一个全局平均池化层，一个全连接层，一个ELU激活层，一个全连接层和一个Sigmoid激活层依次组成；SENet的输入为CNN特征提取器的输出，结合SENet的CNN全局型特征提取器的输出为SENet和CNN特征提取器的输出的乘积。

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中基于CNN的高维特征提取器是由多个CNN特征提取器组成，每个CNN特征提取器由一个卷积层、一个AdaBN层、一个ELU激活层和一个最大池化层依次组成。

5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中基于GRU的特征分类器是由多个GRU层堆叠而成，最后一个GRU层的最后一个时间步作为基于GRU的特征分类器的输出。