[发明专利]一种模态分解预测卷积注意力网络的轴承故障诊断方法

说明书

本发明提出一种模态分解预测卷积注意力网络的轴承故障诊断方法，该方法先用VGG16对轴承故障检测信号进行分类，输出分类概率大于故障判断设定值的信号，再将输出分类概率小于故障判断设定值的信号进行完全经验集合模态分解，将模态分解后的模态分量与剩余分量用门控循环单元、循环神经网络、长短期记忆网络、双向长短期记忆网络与时间卷积网络方法进行预测，再分别通过一个卷积自注意结合算子进行分类，最后加权求和输出分类结果。所提方法能解决当前轴承故障诊断技术无法同时兼顾高精度和高速度的预测问题，实现提前快速精准地诊断轴承故障的功能，提高故障诊断的精度和速度。

技术领域

本发明属于机器维护和检测领域，涉及人工智能中的时间序列预测方法和图像卷积方法的结合，适用于机器中轴承故障的诊断。

背景技术

轴承在机器设备中处于重要地位，它也是机器设备的一个典型故障源，其运行状态信息往往直接反映着整台机器的性能，包括精度、可靠性及寿命。现有的轴承故障诊断方法要么无法达到很高的精度，要么无法达到足够快的检测速度。

因此，提出一种模态分解预测卷积注意力网络的轴承故障诊断方法，来解决轴承故障诊断无法同时达到高精度和高速度的问题。

发明内容

本发明提出一种模态分解预测卷积注意力网络的轴承故障诊断方法，将模态分解后的模态分量与剩余分量用不同的神经网络方法进行预测，再分别通过一个卷积自注意结合算子进行分类，能同时提高轴承故障诊断分类精度和速度；在使用过程中的步骤为：

步骤(1)：将轴承故障检测信号转换为检测信号的二维灰度图像；

步骤(2)：将检测信号的二维灰度图像输入VGG16网络；

步骤(3)：输入图像依次经过2个级联的3×3卷积层，1个2×2的最大池化层，2个3×3卷积层、1个2×2最大池化层、3个3×3卷积层、1个2×2最大池化层、3个3×3卷积层、1个2×2最大池化层、3个3×3卷积层、1个2×2最大池化层以及3个全连接层，利用随机梯度下降的方法进行训练；

步骤(4)：输出轴承故障检测信号的分类概率；

步骤(5)：判断每个轴承故障检测信号的分类概率是否大于故障判断设定值；

步骤(6)：将分类概率大于故障判断设定值的轴承故障检测信号输出分类结果；

步骤(7)：将分类概率小于故障判断设定值的轴承故障检测信号输入完全集合经验模态分解网络；

步骤(8)：向输入信号加入不同的正负成对白噪声，得到新的信号；

步骤(9)：利用经验模态分解的方法对新的信号进行模态分解，得到各个新信号的第一阶模态分量；

步骤(10)：将所有新信号的第一阶模态分量进行求和平均，得到小于故障判断设定值的轴承故障检测信号的第一阶模态分量；

步骤(11)：用小于故障判断设定值的轴承故障检测信号减去第一阶模态分量得到第一阶的剩余分量；

步骤(12)：再给第一阶的剩余分量加入不同的正负成对白噪声，重复从加入不同的正负成对白噪声到得到剩余分量这一过程；

步骤(13)：输出4个模态分量与1个剩余分量，即模态分量c₁(t)、c₂(t)、c₃(t)、c₄(t)与剩余分量x₄(t)，将其分别输入门控循环单元、循环神经网络、长短期记忆网络、双向长短期记忆网络与时间卷积网络；

步骤(14)：将门控循环单元中每一时刻的输入信号与上一时刻的输出信号加权相加后输入重置门与更新门，用激活函数激活；