[发明专利]一种基于深度混合网络结构的机械故障诊断方法

说明书

本发明涉及一种基于深度混合网络结构的机械故障诊断方法，属于机械故障诊断领域。该方法包括以下步骤：1)原始振动信号获取；2)原始振动信号通过混合网络的第一部分散射网络，提取其频率域特征，抑制噪声干扰；3)散射网络输出的各个子带分别作为SDnet输入中相对应的通道；4)通过混合网络的第二部分SDnet，对特征更进一步提取和故障分类诊断。本发明所采用的方法与现有的技术相比，在网络结构上更为轻量化，同时具有更高的识别准确率，且具有较强的迁移学习能力和抗噪性能。

技术领域

本发明属于机械故障诊断领域，涉及一种基于深度混合网络结构的机械故障诊断方法。

背景技术

随着现代科学技术的快速发展，机械设备在现代化工业中有着广泛应用。但机械设备长期处于恶劣的工作环境下，不可避免地会产生各种故障。这些故障一旦发生就容易造成巨大的经济损失，甚至还会危及工人的生命安全，形成灾难性事故。因此，国内外一直在开展对机械故障诊断自动化、精确化、快速化的研究。

根据特征提取和故障诊断采用方法的不同，可以将机械设备故障诊断系统分为两大类，基于信号分析(Vibrationanalysis)和基于人工智能诊断(intelligentdiagnosis)。信号分析是对原始数据采用信号分解技术直接检测缺陷频率，例如小波变换和经验模态分解。但缺陷频率大多隐藏在低频确定性成分和高频噪声分量中，在频谱中很难观察到，实际效果较差。人工智能诊断是一种新型的研究方向，主要流行的方法是人工神经网络(ANN)和支持向量机(SVM)。通常来说，基于ANN和SVM的机械故障诊断步骤分为两步：先使用信号处理技术进行特征提取，再使用模式识别技术进行故障诊断。AlfonsoRojas等人通过傅里叶变换提取信号的32维特征，并调试了SVM进行分类。Lei等人提出了采用经验模态分解和小波包分解提取特征，将选取后的敏感特征输入ANN网络进行故障诊断。上述研究在特征提取部分大多采用频域分析的方法，这是由于采集的数据混有其他信号，在时域上做信号处理难以分离，导致提取的特征中仍含有大量噪声，从而影响分类结果。

尽管传统的人工智能诊断方法被广泛运用于机械信号故障诊断，但有以下缺陷：1、故障诊断准确性能依赖于特征提取质量。在工业环境中，采集到的振动信号总是复杂的、不稳定的、含有大量噪声的，特征提取质量依赖于先进的信号处理技术，且针对不同的故障需要选择合的特征，这将耗费大量资源。2、传统人工智能的诊断方法属于浅层学习模型，难以有效学习复杂的非线性关系。

为弥补上述缺陷，深度学习开始运用于机械信号故障诊断。在已有研究中，根据深度学习使用模型不同可分为三类：自编码器系列，卷积神经网络系列，循环神经网络系列。

自编码器系列方法主要有自编码器(autoencoder)，深度玻尔兹曼机(DBM)，深度置信网络(DBN)等。2016年Feng等人通过堆叠自编码器的方式预训练一个三层的深度神经网络(DNN)，然后通过微调该网络得到最终预测结果。这类方法实现起来相对比较容易，并且可以学习到丰富的特征表示，但是训练收敛较慢。

循环神经网络系列方法主要有循环神经网络(RNN),长短记忆神经网络(LSTM)。2017年ZhaoRui等人提出了一种基于长短记忆神经网络的故障诊断方法。这类方法对于时序数据检测效果良好，可以发现随时间变化所产生的问题，但是训练和实现难度比较大。

卷积神经网络系列是目前故障诊断研究的热点，采用的方法主要是卷积神经网络(CNN)各类变种。2016年TInce基于LeNet5构建了一个1D-LeNet5网络用于电机故障检测。这类方法对于多维数据表现良好，能够有效提取局部特征，但网络结构比较复杂，在训练和预测过程中需要大量时间和计算资源。

现有深度学习的方法效果良好，但仍存在许多问题。在实际工业运用中，采集到的原始数据受噪声干扰严重，且各类资源会受到限制，需要把许多计算放在终端执行。

发明内容