[发明专利]一种基于TPA-LSTM的滚动轴承故障诊断系统

权利要求书

1.基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，所述系统包括振动数据采集端、音频数据采集端、数据分析端、上位机监测平台和移动终端。振动数据采集端包括电源模块a、采集节点微处理器a、Wi-Fi无线通信模块a、振动数据采集传感器；音频数据采集端包括电源模块b、采集节点微处理器b、Wi-Fi无线通信模块b、音频数据采集传感器；数据分析端包括电源模块c、分析节点微处理器、信息融合模块、Wi-Fi无线通信模块c、TPA-LSTM故障诊断模型、串口通信模块；振动数据采集端和数据分析端之间的数据通信通过Wi-Fi无线通信模块a来完成；音频数据采集端和数据分析端之间的数据通信通过Wi-Fi无线通信模块b来完成；数据分析端与上位机监测平台之间的数据通信通过串口通信模块与串口线来完成；数据分析端与移动终端之间的数据通信通过Wi-Fi无线通信模块c来完成。

2.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，Wi-Fi无线通信模块a和振动数据采集传感器相应的引脚通过导线与采集节点微处理器a的I/O口相连接，电源模块a通过导线为采集节点微处理器a、Wi-Fi无线通信模块a和振动数据采集传感器供电。

3.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，Wi-Fi无线通信模块b和音频数据采集传感器相应的引脚通过导线与采集节点微处理器b的I/O口相连接，电源模块b通过导线为采集节点微处理器b、Wi-Fi无线通信模块b和音频数据采集传感器供电。

4.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，Wi-Fi无线通信模块c、Wi-Fi无线通信模块c和串口通信模块相应的引脚通过导线与分析节点微处理器的I/O口相连接；电源模块c通过导线为分析节点微处理器、Wi-Fi无线通信模块c、TPA-LSTM故障诊断模型、信息融合模块和串口通信模块供电。

5.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，所述上位机监测平台通过串口线与串口通信模块相连，接收数据分析端发出的数据，移动终端通过Wi-Fi无线通信模块c接收数据分析端发出的数据。

6.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，采集节点微处理器选用STM32F103嵌入式微处理器；分析节点微处理器选用STM32H743嵌入式微处理器。

7.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，信息融合模块具体包括：信息融合模块将采集到的时域振动数据序列v(n)如式(1)和音频数据序列a(n)如式(2)进行调理得到序列y(n)如式(4)；

8.根据权利要求1所述的基于TPA-LSTM的滚动轴承故障诊断系统，其特征在于，搭建TPA-LSTM滚动轴承故障诊断模型的具体步骤：

步骤1：输入数据集中的时间序列，LSTM通过时间序列获得一个隐状态矩阵H。

步骤2：对于隐状态矩阵H的第i行，使用k个CNN过滤器提取特征，产生维度为n*k的时间模式矩阵H^c，如式(5)。

式(5)中，C_j表示第j个长度为T的滤波器；T表示需要注意的最大长度；×表示卷积运算。

步骤3：定义注意力机制函数，如式(6)，对于要预测的h_t，将其与H^c矩阵的每行作用，对每行产生一个注意力权重α_i，如式(7)，这个权重表示H^c矩阵每行对需要预测的h_t的作用强度。

式(6)中，是H^c的行向量；W_a是一个m*k的权重矩阵；

步骤4：将每行进行加权求和得到注意力向量v_t，如式(8)。

步骤5：将v_t和h_t线性映射后相加，如式(9)，获得滚动轴承故障诊断的结果。

y_t-1+Δ＝W_h'h_t'＝W_h'(W_hh_t+W_vv_t) (9)

式(9)中：y_t-1+Δ表示最终预测值；表示用于生成最终值得中间变量；Δ表示不同预测任务的预测时间尺度；W_h'，W_h，W_v表示对应变量的不同权重矩阵。

步骤6：得到TPA-LSTM滚动轴承故障诊断模型，通过实时输入传感器数据，分析得到诊断结果，具体包括健康轴承、内圈轻度故障、内圈中度故障、内圈重度故障、滚动体轻度故障、滚动体中度故障、滚动体重度故障、外圈轻度故障、外圈中度故障、外圈重度故障。