[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

说明书

本发明公开了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，具体包括下述步骤：S1.采用加速度传感器采集原始一维时序性故障数据，简单归一化后作为模型的输入；S2.构建改进的端到端ResNet‑BiLSTM双通道故障诊断模型，将归一化后信号输入ResNet模型和BiLSTM模型两个通道；S3.构造1DECANet模块并将其与ResNet模型通道串联；S4.采用Concatenate机制将双通道提取特征融合，利用Softmax分类器输出设备故障的诊断结果，本发明涉及深度学习中双通道模型构建及工业设备故障诊断技术领域。该端到端双通道模型的设备故障诊断方法，通过针对工业互联网领域中故障诊断数据存在非平衡性和隐性特征难以提取问题，构建改进的端到端ResNet‑BiLSTM双通道故障诊断模型，有效提高机械设备故障诊断效率。

技术领域

本发明涉及深度学习中双通道模型构建及工业设备故障诊断技术领域， 具体为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。

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。机械设备是工业领域不可或缺的重要组成部分，伴随机 械设备的持续运行，其设备部件不可避免出现各式各样的故障。造成部件故 障的原因也往往是复杂多样的，机械设备的状态监测与故障诊断是工业领域 故障诊断技术的重要内容。假如不能及时有效地实现对部件故障的处理，机 械设备将无法运转工作从而影响工业生产，因此机械设备故障诊断对于提高 工业生产效率和经济效益具有十分重要的意义。

机械设备故障诊断研究主要集中在特征值提取和状态识别这两个部分， 这是机械设备状态监测的核心部分。在长期运转过程中通过各种传感器与机 械设备相连接实现对机械设备运行状态对监测和运行参数的采集，其中振动 加速度信号是采集与研究的主要对象。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、多维振动加速度信号数据进行 建模，挖掘数据与诊断目标的映射关系。文章[张弘斌等，采用多通道样本和 深度卷积神经网络的轴承故障诊断方法[J].西安交通大学学报,2020,54(8): 58-66.]利用连续小波变换提取转子两端轴承振动信号的时频域特征，构造3 类振动信号的单通道二维图形样本并进行融合，输入卷积神经网络CNN中实 现特征提取和轴承故障信号的精确分类。随着反馈神经网络在自然语言处理 (Natural Language Processing,NLP)领域取得重大突破，文章[范宇雪等.基 于BI-LSTM的小样本滚动轴承故障诊断方法研究[J].噪声与振动控制, 2020(4):108-113.]将自适应白噪声模态分解(Complete EEMDwith Adaptive Noise,CEEMDAN)与傅里叶变换对信号进行分解后输入双向长短期记忆BiLSTM神经网络实现对高速列车轮轴承的故障诊断。文章[Tan等.Rolling bearing faultdiagnosis based on single gated unite recurrent neural networks[J].Journal ofPhysics Conference Series,2020,1601:042017.] 设计一种新的单门联合(SingleGated Unite,SGD)递归神经网络作为LSTM 神经网络的简化策略，利用小波包分解提取特征作为双向单门联合的输入实 现轴承的故障诊断，减少达36％的网络参数量，提高了故障诊断的时间效率。 文章[陈伟等.基于RS-LSTM的滚动轴承故障识别[J].中国科技论文,2018,13(10):1134-1141.]为实现滚动轴承不同故障类型的振动加速度信号 的智能分类，将随机搜索(Random Search,RS)与LSTM神经网络相结合，以 原始故障数据作为输入，验证所提算法具有较高的泛化能力和鲁棒性。

上述基于信号处理和深度学习的故障诊断模型，实现了工业领域机械轴 承、齿轮等机械设备的故障诊断与状态监测。针对不同场景和不同特征数据 不同诊断算法各有利弊，如何融合各个算法的优势并减少人为干预过程，构 建端到端诊断模型应用于海量特征数据进行特征的提取和深层次挖掘，提高 工业领域中设备故障诊断的速度和精度，仍是需要解决的主要问题。

发明内容