[发明专利]一种基于TPA-LSTM的滚动轴承故障诊断系统

说明书

本发明涉及一种基于TPA‑LSTM的滚动轴承故障诊断系统，所述系统由采集节点微处理器a、b；振动数据、音频数据采集传感器；电源模块a、b、c；TPA‑LSTM故障诊断模型；信息融合模块；分析节点微处理器；串口通信模块；Wi‑Fi无线通信模块a、b、c；上位机监测平台以及移动终端组成。数据采集端采集振动数据和音频数据，再经由Wi‑Fi无线通信模块发送给数据分析端；信息融合模块对采集到数据进行调理得到时间序列；分析节点微处理器控制TPA‑LSTM故障诊断模型时间序列进行分析诊断，生成诊断结果分别经由串口线和Wi‑Fi无线通信网络发动到上位机监测平台和移动终端，完成对滚动轴承运行状态的智能监测，确保滚动轴承安全稳定的运行。

技术领域：

本发明属于滚动轴承故障诊断技术领域，特别涉及一种基于TPA-LSTM的滚动轴承故障诊断系统。

背景技术：

滚动轴承作为旋转机械的核心部件之一，工作过程中起到支撑旋转体和降低摩擦系数的作用。滚动轴承工作条件复杂易变，引发各种故障，从而可能会导致意外事故发生和巨大的财产损失，因此，对滚动轴承进行故障诊断的重要性已经不言而喻了。滚动轴承在实际的工作中，受到不同的载荷作用以及噪声影响下，滚动轴承产生的故障对旋转机械的性能，寿命和稳定性都会造成巨大的影响，因此变工况条件下的滚动轴承故障诊断成为了研究的热点。

目前，滚动轴承故障诊断的主要方法有信号处理方法和智能诊断方法。由于信号处理方法需要大量的专业领域知识和先验知识，这限制了该方法的广泛应用。智能诊断是机械故障诊断监测技术的新发展，其中特征工程方法和神经网络方法是常用的智能诊断方法，特征工程方法，主要通过特征提取和特征模式分类实现故障诊断，此类方法虽然在滚动轴承故障诊断领域取得了一定的成果，但是在故障诊断的过程中仍需要人工提取特征向量，存在专业依赖强、特征提取困难等问题。随着神经网络蓬勃发展，神经网络模型可以直接处理原始振动数据以及音频数据，无需做任何数据预处理，该方法的泛化能力明显优于传统特征提取方法。

时序模式注意力机制(Temporal Pattern Attention mechanism,TPA)通过使用CNN滤波器提取输入信息中的定长时序模式，使用评分函数确定各时序模式的权值，根据权值大小得到最后的输出信息。LSTM(Long Short Term Memory) 是具有长短时信息记忆功能的神经网络。LSTM对时间序列进行建模时，经过若干次迭代计算后，较早的时间序列的特征会被新的特征覆盖，导致新的特征包含的信息减少，从而使模型丧失对长期信息的学习能力。针对上述背景，本发明提出了基于TPA-LSTM的滚动轴承故障诊断系统。

发明内容：

本发明是为了避免在变工况条件下滚动轴承故障导致意外事故发生和巨大财产损失，提出了基于TPA-LSTM的滚动轴承故障诊断系统。

为实现上述目的，本发明融合人工智能技术和嵌入式技术，利用TPA-LSTM 神经网络模型分析滚动轴承故障的诊断系统。所述滚动轴承故障诊断系统具体由振动数据采集端、音频数据采集端、数据分析端、上位机监测平台、移动终端组成。振动数据采集端包括采集节点微处理器a、振动数据采集传感器、Wi-Fi无线通信模块a和电源模块a。音频数据采集端包括采集节点微处理器b、音频数据采集传感器、Wi-Fi无线通信模块b和电源模块b。数据分析端包括分析节点微处理器、TPA-LSTM故障诊断模型、信息融合模块、串口通信模块、Wi-Fi无线通信模块c和电源模块c。数据采集端和数据分析端之间的数据传输通过Wi-Fi 无线通信a、b来完成，数据分析端和上位机监测平台之间的通信通过串口通信模块来完成，数据分析端和移动终端的通信通过Wi-Fi无线通信模块c来完成。