[发明专利]基于卷积核多层分布残差网络的旋转机械故障诊断方法

说明书

本发明提出了一种基于卷积核多层分布残差网络的旋转机械故障诊断方法，用于解决传统的旋转机械故障诊断方法特征提取单一化，在实际诊断任务中面对变工况条件下的旋转机械数据很难准确识别多故障等问题。其步骤为：首先，利用传感器提取旋转机械振动信号，获取旋转机械故障数据集；其次，构建卷积核多层分布残差网络模型，并利用训练集进行训练，得到旋转机械故障诊断模型；最后，将测试集输入旋转机械故障诊断模型中，输出不同工况下的旋转机械多故障诊断的分类结果，并验证旋转机械故障诊断模型在噪声环境下的测试性能。本发明解决变工况条件下多故障分类问题，克服噪声环境的干扰，提高旋转机械多分类的故障诊断准确率。

技术领域

本发明涉及以深度学习技术为基础的故障诊断技术领域，特别是指一种基于卷积核多层分布残差网络的旋转机械故障诊断方法。

背景技术

旋转机械在恶劣的运行条件下发生故障，会对工业系统造成严重的伤害。为提高工业运行可靠性，需要针对旋转机械进行有效、准确的故障诊断。滚动轴承作为旋转机械的核心部分在现代工业中广泛应用，轴承部件的意外故障将会导致严重的安全事故和经济损失。故障诊断的检测和识别技术，对工业系统的安全预测和健康管理具有重要意义。因此，研究人员致力于探索具有较高准确率和自动化的旋转机械故障诊断方法。

近年来，许多处理方法应用到故障分析中，包括经验模态分解、小波分析和随机共振技术等。然而，传统的方法往往需要大量的先验知识，不利于工业的应用。深度学习作为一种用于特征提取和模式识别的高效网络结构正在兴起，具有克服现有障碍的潜力。深度学习的特点是采用深层网络架构，使用复杂的深层结构模拟数据的高层抽象，有效的提取特征。目前，深度神经网络是识别故障和机械健康状态最流行的方法之一，通过特征提取将故障诊断视为一个分类问题，在旋转机械健康状态识别方面具有巨大的潜力。

发明内容

针对传统的旋转机械故障诊断方法特征提取单一化，在实际诊断任务中面对变工况条件下的旋转机械数据很难准确识别多故障等问题，本发明提出了一种基于卷积核多层分布残差网络的旋转机械故障诊断方法，解决变工况条件下多故障分类问题，克服噪声环境的干扰，提高旋转机械多分类的故障诊断准确率。

本发明的技术方案是这样实现的：

一种基于卷积核多层分布残差网络的旋转机械故障诊断方法，其步骤如下：

步骤一：利用传感器提取旋转机械振动信号，获取旋转机械故障数据集；并将旋转机械故障数据集分为训练集和测试集；

步骤二：构建卷积核多层分布残差网络模型，并将训练集输入卷积核多层分布残差网络模型中进行训练，得到旋转机械故障诊断模型；

步骤三：将测试集输入旋转机械故障诊断模型中，输出不同工况下的旋转机械多故障诊断的分类结果，并验证旋转机械故障诊断模型在噪声环境下的测试性能。

优选地，所述旋转机械故障数据集包括三种状态，分别是正常状态、外圈故障状态和内圈故障状态；正常状态、外圈故障状态和内圈故障状态的采样频率、采样时间、输入轴转速均相同。

优选地，所述卷积核多层分布残差网络模型的网络结构为：输入层与卷积层相连接，卷积层与最大池化层相连接，最大池化层与残差神经网络相连接，残差神经网络与全连接层相连接，全连接层与Softmax层相连接；

所述残差神经网络包括三个并行的残差模块，每个残差模块包括四个的残差块和平均池化层，最大池化层分别与每个残差模块的第一残差块的输入、第二残差块的输入相连接，第一残差块的输出分别与第二残差块的输入、第三残差块的输入相连接，第二残差块的输出分别与第三残差块的输入、第四残差块的输入相连接，第三残差块的输出分别与第四残差块的输入、平均池化层相连接，第四残差块的输出与平均池化层相连接，平均池化层与全连接层相连接；每个残差块包括两个不同参数设置的卷积层。

优选地，所述残差块的输出表示为：