[发明专利]一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统

说明书

本发明给出了一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统，包括使用振动传感器采集故障轴承振动信号，再对故障轴承振动信号采用定长随机分割方法进行分割获得数据样本；对数据样本按照滚动轴承的状态类型贴上各个类型对应的标签之后，再按照一定的比例划分为训练集、验证集和测试集；分别根据所述训练集和所述验证集中的数据制作出多种处于不平衡状态下的轴承故障数据集并将制作出的所有轴承故障数据集构成不平衡数据集；构建上述模型，分别用不同的轴承故障数据集训练上述模型，获得上述训练模型；利用上述训练模型对所述滚动轴承进行实时故障检测。本发明能够实时、准确、自动地识别轴承的运行状态，从而有效维护机械设备正常运转。

技术领域

本发明涉及设备健康管理技术领域，尤其是一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统。

背景技术

轴承是现代工业设备关键组成部分，轴承工作场景复杂，一旦发生故障可能会引发严重的安全事故，造成大量人员伤亡和巨大经济损失。轴承是直升机、航空发动机、风力发电机等设备中关键的支撑部件之一，所以能否及时准确的检测出故障，排除机械的安全隐患是至关重要的。因此如何实时、准确、自动的诊断出旋转机械的故障对保证其正常运行和安全生产具有重要意义。

传统基于信号的方法指利用各种信号分析技术，从时域信号或者频域信号中提取故障特征进行诊断。

机器学习的方法也被运用于旋转机械的故障诊断，机器学习可以提取特征进行分类，而不需要丰富的专家知识进行判断，减小了诊断的难度。机器学习在故障诊断中使用振动信号作为样本进行输入，然后通过提取特征进行分类。传统的故障分类算法和机器学习算法在故障识别领域都取得了一定的成就，但是传统的故障检测算法依赖专家经验，同时机器学习算法不能很好的学习振动信号中复杂的非线性关系，而且不能够自动提取故障特征，不同类型的故障识别需要设计不同类型的特征提取器。

深度学习方法在故障识别领域也取得了巨大的发展，它可以从原始的信号中提取深层特征，处理海量复杂数据，并且基于深度学习的方法可以自适应的提取具有代表性的特征，不需要人工干预，且识别故障相比传统的算法具有更高的准确率。在深度学习领域卷积神经网络因为它的卷积和池化操作降低了参数量，通过局部感受野（local receptivefields）和共享权重（shared weights）提高了识别的速度和准确度。

虽然现有多种旋转机械故障检测模型，并且取得了良好的实验结果，但是在旋转机械故障诊断领域依然存在着许多的挑战。①传统的深度学习故障检测模型为了取得较高的准确率，往往会采用多层神经网络叠加的方式，因此模型复杂度过高。多层网络叠加的模型不仅对训练设备有着极高的要求，也导致训练成功的模型故障检测时间过长，不适用于工业场景下故障实时诊断问题。②深度学习的故障诊断模型需要大量高质量的样本，这样才能保证模型不会出现过拟合。现有的模型都是在样本数量理想的情况下进行实验，实际的工业情况是故障样本少于正常样本，所以数据不平衡现象普遍存在于工业领域。

针对现有技术的不足，本发明提供了一种数据不平衡条件下的基于AttentionCNN模型的轴承实时智能故障诊断方法。本发明轴承故障检测精度高，检测时间短，并且在不平衡数据情况下也能有高准确率和良好的稳定性。

发明内容

本发明提出了一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统，以解决上文提到的现有技术的缺陷。

在一个方面，本发明提出了一种基于Attention CNN模型的轴承故障实时智能诊断方法，该方法包括以下步骤：

S1：使用振动传感器采集故障轴承振动信号，再对所述故障轴承振动信号采用定长随机分割方法进行分割获得数据样本；

S2：对所述数据样本按照滚动轴承的状态类型贴上各个类型对应的标签之后，再按照一定的比例划分为训练集、验证集和测试集；