[发明专利]一种基于深度学习的滚动轴承故障诊断方法

说明书

本发明公开了一种基于深度学习的滚动轴承故障诊断方法，涉及轴承故障诊断技术领域；它的方法以深度学习中常用的模型结构为算法核心，研究基于残差网络和LSTM以及深度迁移学习在滚动轴承故障诊断领域的应用；本发明具有自动特征提取的能力，在现代工业中，设备运行环境复杂，在多变工况、高噪声的背景下，也可以保证故障诊断的准确率，提高鲁棒性。

技术领域

本发明属于轴承故障诊断技术领域，具体涉及一种基于深度学习的滚动轴承故障诊断方法。

背景技术

滚动轴承故障诊断的过程大体分为数据的采集并处理、故障特征提取和故障特征识别三个方面。其中特征提取是故障诊断的一个关键步骤，而在特征提取之前，则需要收集轴承在运行时的振动信号，在滚动轴承故障诊断的各类研究中，最常用的方法是依靠振动信号分析。研究人员通过分析得出结论，虽然利用振动信号来检测轴承故障是可行的，但故障诊断准确率低，且采集数据量难度大，在实际生产应用中，要快速精准的诊断出故障类型，传统信号处理方法常常在这两方面无法兼具。深度学习作为人工智能领域中一个新的研究方向，具有强大的特征学习能力，能够从海量数据中自动提取出更深层次的特征，在一定程度上摆脱了信号处理技术，人工特征提取和专家经验的依赖，深度学习在滚动轴承故障诊断领域受到人们的日益关注。

基于信号处理的故障诊断方法对于平稳的故障信号有较强的处理能力，但在实际工业环境下往往伴随着许多噪声，会影响其故障诊断的准确率，基于特征工程和机器学习算法相结合的方法已经在很多故障诊断领域广泛应用，但无法实现自适应特征提取且人工提取工作量复杂，凭借专家经验，难免会影响其故障诊断效果。

发明内容

为解决背景技术中的问题；本发明的目的在于提供一种基于深度学习的滚动轴承故障诊断方法。

本发明的一种基于深度学习的滚动轴承故障诊断方法，它的方法以深度学习中常用的模型结构为算法核心，研究基于残差网络和LSTM以及深度迁移学习在滚动轴承故障诊断领域的应用。

步骤一：滚动轴承的故障特征与数据预处理：通过测量振动信号，计算实际发生故障时的振动特征频率，然后与各元件理论参数值对比，从而判断滚动轴承可能发生故障的主要部位及损伤严重程度；为准确获取滚动轴承故障特征信号，降低噪声、提高信噪比，需对其进行数据降噪预处理；

步骤二：基于残差学习和长短期记忆网络的故障诊断：使用残差学习构建更深的网络结构，在训练过程中采取提前终止的策略来防止过拟合；通过设计门限结构解决长期依赖问题，添加了输入门、输出门和遗忘门三个门限，具备了对信息进行长期记忆的能力；记忆内容是否重要由输出门综合判断，这样的方法使LSTM处理长时间序列模型的能力得到了提升，方便同时提取原始信号中的空间特征和时间特征。

步骤三：基于迁移学习的故障分类：源域和目标域间的相似程度是迁移学习成功的关键，对于相似的数据集仅需对最后的全连接层进行训练，对于差别比较大的数据集需要对较多的高层卷积层参数进行训练更新；利用预训练好的模型，对网络进行改造，固定前面若干层的参数，针对目标域进行模型微调后面若干层，加快了网络的训练速度，最终得到的模型可用于目标域测试数据的分类预测。

作为优选，所述基于迁移学习的故障分类由源模型训练、模型迁移、模型微调、目标模型应用四个步骤组成；

模型迁移：将源模型的浅层网络参数与权值迁移至目标模型的浅层结构中，提取目标域数据的浅层故障特征，将初始化后的目标模型的全连接层作为深层网络以提取深层故障特征，两部分结合构建目标域ResNet模型；

模型微调：冻结目标模型的浅层结构，采用目标域微调样本对目标模型的深层网络参数进行微调；

目标模型应用：采用微调后的目标模型对目标域测试样本进行分类预测，并输出故障诊断准确率。

与现有技术相比，本发明的有益效果为：