[发明专利]基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备

说明书

基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。

技术领域

本发明涉及机械故障诊断领域，特别涉及基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备。

背景技术

轴承广泛应用于旋转机械中，轴承的故障诊断是确保高性能传动的关键。传动系统故障将导致停产，影响整个生产过程。在故障发生前发现是保证设备正常运行、避免经济损失的有效手段。轴承故障诊断一直被视为预后和健康管理的研究热点。

目前轴承故障诊断方法主要有两种，一种是基于模型的方法，如物理模型、卡尔曼滤波器、强跟踪估计器、径向基函数神经网络等。另一种是基于数据的方法，如特征提取、支持向量机、反向传播神经网络和深度学习。

近年来，越来越多的研究人员将深度学习方法应用于轴承的故障诊断。与需要大量先验知识的传统信号特征提取方法相比，卷积神经网络(CNN)等深度学习方法可以自动提取特征。基于卷积神经网络和循环神经网络(RNN)的深度学习方法已广泛应用于轴承故障诊断。虽然这些方法在轴承故障诊断方面取得了一定的进展，但它们只能提取部分特征信息，无法提取逆时域序列特征，此外，现有方法对关键特征关注不足、训练层过多难以收敛，从而导致了故障诊断准确率低的问题。

发明内容

本发明目的是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题，而提出了基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备。

基于注意力机制的Highway Bi-LSTM轴承故障诊断方法具体过程为：

获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；

轴承故障诊断网络通过以下方式获得：

步骤一、获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；

步骤二、构建Highway Bi-LSTM网络；

所述Highway Bi-LSTM网络由以下处理层依次连接组成：Bi-LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；

所述Bi-LSTM网络用于分别提取轴承正逆时间顺序的信号特征；

所述注意力机制用于增强对Bi-LSTM网络提取的信号特征中关键特征的关注；

所述Highway层用于优化注意力机制输出的特征；

所述全连接层和softmax分类器用于对Highway层输出的特征进行分类；

步骤三、利用训练集训练步骤二构建的Highway Bi-LSTM网络获得训练好的Highway Bi-LSTM网络；

步骤四、利用测试集测试步骤三获得的训练好的Highway Bi-LSTM网络，获得轴承故障诊断网络；