一种基于多尺度信息融合的轻量化旋转机械故障诊断方法

技术领域

本发明涉及深度学习与故障诊断领域，具体为一种基于多尺度信息融合的轻量化旋转机械故障诊断方法。

背景技术

旋转机械作为现代工业装备的重要组成，正日趋朝向智能化、高速化和超精密方向快速发展，尤其是随着工业系统复杂度和功能模块化集成度的提升，给装备整体的安全稳定性、鲁棒性提出了更大的挑战。在实际的工作中，旋转机械通常需要长时间连续承受来自负载工况和运行环境等多方面的激励和影响而易于发生各种故障。因此，机械状态的在线监测和早期故障诊断对复杂工业系统的安全运行至关重要。

深度学习作为一种智能高效的模式识别技术已得到基于大数据驱动的机械装备故障诊断领域学者的广泛关注。学者们构建了多种深度神经网络模型，采用深度学习方法对故障数据进行充分学习，挖掘大量数据内部隐藏的非线性关系，实现了对输入信号深层次特征的自适应提取，更好地完成了故障特征提取与故障类型识别的协同处理。然而现有的故障诊断方法大多是从原始时间序列信号中挖掘复杂的关系，只能在时域上反映故障信息，造成了信息丢失。

目前基于深度学习的数据驱动类故障诊断方法通过挖掘采集信号的深度信息从而判断故障类型。传感器监测的轴承振动信号通常是时域信号，为了能够更加凸显不同故障的差别，从多角度、多变换域对原始信号进行分析， 提出了一种基于多尺度信息融合的轻量化旋转机械故障诊断方法。将小波变换时频图（CWT-TFD）、时序信号组合的多尺度信号作为输入，包含了更全面的状态信息，实现了多尺度数据的有效融合，同时为故障诊断领域图像数据和时序数据协同识别提供了可行方案。

发明内容

为了更加有效的从原始故障数据中提取出故障特征，解决深度学习模型跨域特征提取能力不足和集成模型在增强特征学习能力的同时易导致过拟合的问题，本发明提供一种基于多尺度信息融合的轻量化旋转机械故障诊断方法。

本发明采取以下技术方案：一种基于多尺度信息融合的轻量化旋转机械故障诊断方法，包括以下步骤：

S1：采集旋转机械运行时的振动信号，对所述振动信号进行滑动窗口重叠采样得到时序信号的故障特征；

S2：对旋转机械原始振动数据进行连续小波变换，得到具有增强状态信息的时频图数据集；

S3：搭建一种双流网络结构，双流网络结构包括上分支结构和下分支结构，连续小波变换后的时频图数据集和时序信号的故障特征分别输入上分支结构和下分支结构，得到深度特征

S4：对深度特征向量

S5：对步骤S3-S4构建模型进行训练得到最优模型，利用训练好的最优模型对不同工况的故障进行诊断，检验模型的鲁棒性和泛化性。

步骤S1具体包括：

采用滑动窗口重叠采样法进行训练样本生成，滑动窗口重叠采样是一种常用的数据增强方法，它用于从一个序列中提取连续的子序列，并且这些子序列之间存在一定的重叠，采样过程如图2所示。

计算新样本生成数量，计算经验公式如下：

式中

步骤S2具体包括：

设待分析信号

表示在一系列尺度因子a和偏移因子b下的小波系数，/>

。

双流网络结构的上分支结构为EfficientNet网络，下分支结构为三层ConvLSTM网络。

EfficientNet在百万级数据集上实现了当前图像分类网络的最佳精度。ConvLSTM网络结合了CNN和LSTM网络，不仅具有LSTM网络的时序建模能力，还能像卷积神经网络一样刻画局部特征，同时提取空间和时间特征而不丢失关键特征信息。在一些实施例中，双流网络结构的上分支结构为改进轻量化EfficientNet网络，下分支结构为ConvLSTM体系网络，令改进轻量化EfficientNet与ConvLSTM体系网络分别提取连续小波变换时频图（CWT-TFD）和时序信号的故障特征，根据多尺度信号匹配最优的特征提取模型，在增强集成模型特征学习能力的同时满足了模型轻量化的要求。

EfficientNet网络内部通过5个MBConv模块实现特征提取，MBConv模块采用深度可分离卷积代替普通卷积，对每个输入通道使用一个卷积核称为深度卷积，使用一个1×1的卷积合并深度卷积的输出称为逐点卷积。极大地降低了模型的参数量和计算量，提高了网络的检测速度。

双流网络下分支结构中三层ConvLSTM在数据流中使用，过滤器尺寸为32、64和128，在所有的ConvLSTM层中，卷积核大小为1×3，用线性整流函数Relu作为激活函数，BN层、Max-Pool层和Dropout层确保模型不会过拟合，Max-Pool层的卷积核大小为1×1×3，Dropout层丢弃率设置为0.2。

步骤S4具体包括：

S41：通过自适应判别度量学习方法对深度特征向量

S42：采用交替迭代策略使度量矩阵

S43：融合特征输入Softmax分类器，输出故障诊断结果。

S41包括：用有关联标签的训练样本，基本思想是使类内距离最小化，同时使类间距离最大化，将判别度量学习目标函数表述为：

给定特征空间

其中

自适应融合策略通过学习相应的自适应权值对不同的特征向量进行融合，从而具有利用不同特征向量互补信息的能力，目标函数被改写为：

其中

与现有技术相比，本发明具有以下有益效果：

(1)将CWT-TFD、时序信号组合的多尺度信号作为输入，包含了更全面的状态信息，实现了多尺度数据的有效融合。

(2)提出了新型的多尺度信息融合的轻量化旋转机械故障协同识别模型，为故障诊断领域图像数据和时序数据协同识别提供了可行方案。

(3)提出了多尺度特征并行融合机制，通过自适应判别度量学习方法实现双流网络全局平均池化层深度特征的融合，增强多尺度异构特征类内聚集和类间分离性能，提高了智能诊断模型的检测效率。

附图说明

图1是本发明一种基于多尺度信息融合的轻量化旋转机械故障诊断方法的具体实施方案；

图2是滑动窗口重叠采样示意图；

图3是实验数据集振动信号各标签时序曲线图；

图4是实验数据集振动信号各标签时频图；

图5是ConvLSTM层网络结构图；

图6是MBConv模块网络结构图。

具体实施方式

为了更了解本发明的技术内容。下面结合附图对本发明进行详细说明。

为验证本实施例的有效性，下面以凯斯西储大学轴承数据集为例，进行了详细的介绍。

如图1所示为一种基于多尺度信息融合的轻量化旋转机械故障诊断方法的具体实施方案，主要包括以下几个部分：

S1:采集旋转机械运行时的振动信号,对所述振动信号进行滑动窗口重叠采样；

本发明采用驱动端轴承壳体垂直方向的加速度计收集到的振动信号，采样频率为12 kHz，选取1hp和2hp负载下的数据，该数据集一共包括 10 种轴承状态，分别为正常状态和 9 种故障状态，其中故障状态分别是在轴承的内圈、外圈和滚动体上采用电火花精加工技术植入的故障直径分别为 0.18、0.36 和 0.53mm 的单点凹坑。

采用滑动窗口重叠采样法进行训练样本生成，提升每个样本之间的信息关联性，滑动窗口重叠采样是一种常用的数据增强方法，它用于从一个序列中提取连续的子序列，并且这些子序列之间存在一定的重叠。采样过程如图2所示，新样本生成数量的计算经验公式如下：

式中

表1滚动轴承故障数据集

。

S2:对旋转机械原始振动数据进行连续小波变换，得到具有增强状态信息的时频图数据集，时频图数据集与原始振动信号数据集划分过程一致。

采用连续小波变换将原始信号转换为时频图，设待分析信号

表示在一系列尺度因子a和偏移因子b下的小波系数，/>

选择带宽频率和中心频率为3的复Morlet小波作为母小波，尺度序列长度设定为256，a和b分别经验设定为2和5。每类标签下某个样本点原始时序信号曲线图与时频图如图3和图4所示，图中同一标签原始时序信号曲线与时频图由同一样本产生。

S3:搭建一种用于跨域特征提取和耦合的双流网络结构，令改进轻量化EfficientNet与ConvLSTM体系分别提取连续小波变换时频图（CWT-TFD）和原始时序信号的故障特征，提取双流网络全局平均池化层（GAP）的深度特征

所提出的双流网络上分支结构见图1具体实施方案中多尺度特征提取模块，EfficientNet网络在百万级数据集上实现了当前图像分类网络的最佳精度，本发明时频图像故障识别时，数据图像在10000幅以内，需针对性调整和减少MBConv模块的数量，以降低模型复杂度和计算工作量，防止模型过拟合，改进EfficientNet网络内部通过5个MBConv模块实现特征提取，MBConv模块网络结构如图6所示，采用深度可分离卷积代替普通卷积，对每个输入通道使用一个卷积核称为深度卷积，使用一个1×1的卷积合并深度卷积的输出称为逐点卷积。极大地降低了模型的参数量和计算量，提高了网络的检测速度。

所提出的双流网络下分支结构见图1具体实施方案中多尺度特征提取模块，三层ConvLSTM在数据流中使用，ConvLSTM层网络结构如图5所示，过滤器尺寸为32、64和128。在所有的ConvLSTM层中，卷积核大小为1×3，使用Relu函数作为激活函数。BN层、Max-Pool层和Dropout层确保模型不会过拟合，Max-Pool层的卷积核大小为1×1×3，Dropout层丢弃率设置为0.2。

S4:通过自适应判别度量学习方法对深度特征向量

本发明通过马氏距离度量学习对训练样本特征进行学习得到最优的度量矩阵，从而构造度量学习目标函数，不仅充分利用了每个深度特征向量的判别信息，而且自适应地融合了不同深度特征向量的互补信息。

S41：用有关联标签的训练样本，基本思想是使类内距离最小化，同时使类间距离最大化，将判别度量学习目标函数表述为：

给定特征空间

其中

自适应融合策略通过学习相应的自适应权值对不同的特征向量进行融合，从而具有利用不同特征向量互补信息的能力，目标函数被改写为：

其中

S42：采用交替迭代策略使度量矩阵

。

S43：融合特征输入Softmax分类器，输出故障诊断结果。所提出的模型由Tensorflow框架构建，使用python编程语言，所有试验均在配备64位Windows10系统，intelcore i5处理器和16GB RAM的计算机上进行。使用初始学习率为0.005的Adam算法来加速训练过程。训练时，minibatch的大小设置为60，epoch数设置为60。

在上述数据集上按照本发明方法进行多次数据处理，采用分类正确样本数与测试总样本数的比值来衡量总分类准确率，统计多次试验结果的平均识别准确率为99.23%。

S5:对S3-S4所构建模型进行训练得到最优模型，利用训练好的最优模型对不同工况的故障进行诊断，检验模型的鲁棒性和泛化性。

为了模拟真实的工业中旋转机械的噪声干扰，加入高斯白噪声来构造带噪信号，信噪比定义为：

其中

设置了更多的噪声场景来验证所提方法的抗噪声能力，具体来说，构建SNR范围为-10dB至2dB的噪声数据集。值得注意的是，当SNR设置为-10dB时，表示噪声的能量是原始信号的十倍。噪声对诊断结果有很大的影响，噪声越高，模型的诊断准确率越低，在SNR=-10dB强噪声场景下，本发明方法诊断准确率为91.16%，具有良好的抗噪声能力。

上述所有方法都在相同的数据集和运行环境上进行了测试，以确保实验的一致性。

以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。