[发明专利]一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法

权利要求书

1.一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法，其特征在于：具体包括以下步骤：

S1、采用加速度传感器对原始振动加速度一维时序性数据进行采集，简单归一化处理后作为端到端诊断模型的输入；

S2、构建ResNet模型通道对原始信号的隐性非明显特征进行深层次挖掘与提取；

S3、构建1DECANet模块并与ResNet模型通道串联，对深浅层数据特征进行跨通道交互，作为改进后的ResNet特征提取通道；

S4、构建栈型BiLSTM模型通道对原始故障数据的时序相关性特征进行提取，加入批归一化层和Dropout层避免该模型通道过拟合；

S5、搭建端到端双通道诊断模型，在全连接层对改进后的ResNet模型通道和栈型BiLSTM模型通道提取的数据特征采用Concatenate机制融合；

S6、利用Focal Loss损失函数协调训练样本数据非平衡、挖掘难分样本隐性特征，实现双通道诊断模型训练的参数更新；

S7、采用Softmax函数进行多种故障信号数据的分类，实现非平衡故障信号的精确诊断。

2.根据权利要求1所述的一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法，其特征在于：所述步骤S2和S3中，采用搭建改进的ResNet特征提取通道，实现深浅层特征数据的跨通道交互，具体步骤如下：

T1、构建一维ResNet神经网络通道，即在浅层网络基础上叠加恒等映射层对归一化后的时序信号沿时间轴方向进行局部特征提取，按照公式进行卷积层和恒等映射计算；

y_lay＝F(x_lay,W_i)+W_sx_lay

F＝W₂σ(W,x_lay)

x_lay+1＝f(y_lay)

其中x_lay表示残差模块的输入，x_lay+1表示残差模块的输出，W、W_i、W₂均表示常规一维卷积计算，W_s表示1*1卷积计算，σ表示Sigmoid激活函数，f(·)表示ReLU激活函数；

T2、构建1DECANet模块，通过一种不降维的局部跨信道交互策略，对原始故障信号中隐性故障进行深层次、跨通道挖掘与提取；

其中C表示网络中间层特征数据通道数，k表示自适应调整函数计算得到的一维卷积核尺寸大小，γ＝2,b＝1；

T3、将构建的ResNet模块与1DECANet模块进行串联融合，共同构成改进后的ResNet特征提取通道，并于BiLSTM特征提取通道采用Concatenate机制进行融合，为端到端诊断模型提供分类特征参数依据。

3.根据权利要求1所述的一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法，其特征在于：所述步骤S6中，采用Focal Loss损失函数协调故障样本数据失衡，具体为：

E1、首先在标准交叉熵损失函数基础上增加一个调制系数ω＞0以减少易分类样本的损失权重，赋予困难的和错分的样本数据更大的权重；

其中L₀表示标准交叉熵损失函数，L₁表示添加调制系数后的交叉熵损失函数，X表示故障样本，n表示样本总数，a表示期望输出，y表示神经元的实际输出；

E2、接着在此基础上加入平衡因子λ来平衡正负样本本身的比例不均问题，构成FocalLoss损失函数；