一种基于多分支融合卷积神经网络的轴承故障诊断方法与流程

1.本发明属于故障诊断技术领域，具体涉及一种基于多分支融合卷积神经网络的轴承故障诊断方法。


背景技术：

2.轴承是机械设备中常见的零部件之一，其正常运转和寿命对于整个系统的稳定性和可靠性至关重要。因此，对轴承进行实时监测和故障诊断具有十分重要的意义。近年来，随着深度学习技术的逐渐成熟，利用卷积神经网络进行故障诊断已经成为热门研究方向。
3.传统的卷积神经网络在处理振动信号时存在一些困难，如不同振动信号的频率范围跨度大，导致对振动特征提取差异性大，振动变化不大时诊断准确性低。单纯对振动信号进行检测训练，无法对运行时间中振动信号随时间变化的的特征进行准确把握。因此如何有效地利用卷积神经网络提取轴承振动信号中的有效特征，进而实现准确的故障诊断，是当前需要解决的技术问题。


技术实现要素：

4.本发明的目的是提供一种基于多分支融合卷积神经网络的轴承故障诊断方法，用于解决现有技术中如何有效地利用卷积神经网络提取轴承振动信号中的有效特征，进而实现准确的故障诊断的问题。
5.所述的一种基于多分支融合卷积神经网络的轴承故障诊断方法，包括下列步骤。
6.一、构建多分支卷积神经网络，多分支卷积神经网络包括多个卷积分支组成，每个分支负责提取不同频率范围内的特征。
7.二、将采集到的轴承振动信号转化为一维原始信号和表示时间-频率图像的二维灰度图。
8.三、将所述一维原始信号和所述二维灰度图作为多分支卷积神经网络的输入，对多分支卷积神经网络进行训练。
9.四、利用训练好的多分支卷积神经网络进行轴承故障诊断，根据分类结果确定轴承的健康状态。
10.优选的，所述多分支融合卷积神经网络中用于处理一维原始信号的有三个分支，每个分支包含卷积层、池化层、通道注意力层和展开层，三个分支分别对应三种不同的卷积核大小；多分支融合卷积神经网络还有一个单独的分支用于处理时间-频率图像，包括卷积层、池化层和展开层；各个分支经过合并层合并后再通过全连接层处理输出结果。
11.优选的，通道注意力层位于对应分支的末尾，通道注意力层包括不降低维数的全局平均池化层、一维卷积层、sigmoid激活函数和加权输出层。
12.优选的，所述步骤二包括：首先通过振动传感器获取轴承运转时的振动信号，将振动信号以长度切分为n个数据段获得作为输入1的一维原始信号；再将一维原始信号的数据段转换为二维数组，对二维数组进行归一化处理，用数组中每个元素代表对应灰度图像素
的亮度，形成表示时间-频率图像的二维灰度图。
13.优选的，所述步骤三包括：一维原始信号作为输入1输入到所述多分支卷积神经网络，通过第一次卷积池化后分别输入到用于处理一维原始信号的三个分支中，三个分支从一维原始信号提取到不同尺度的特征信息；二维灰度图作为输入2输入到多分支卷积神经网络，二维灰度图通过二维卷积能够提取出相应的特征信息；最后将三个分支处理后的输出与二维卷积的输出相加，再通过全连接层进行特征映射，最后通过softmax函数输出分类结果；使用训练集对网络进行训练，并用测试集对其进行验证，完成对多分支融合卷积神经网络的训练。
14.优选的，在通道注意力层中，信号先通过不降低维数的全局平均池化，在不降低维数的通道级全局平均池化之后，考虑每个通道及其k个邻居来捕获局部跨通道交互信息；再通过快速的一维卷积生成通道注意力，再通过sigmoid激活函数提取特征，再与原始输入进行加权输出，一维卷积的卷积核大小可由通道维数的非线性映射自适应确定。
15.本发明具有以下优点：本方案通过多分支结构的设计，有效地捕获了不同频率范围内的振动特征，增强了轴承故障的检测能力。在多分支卷积神经网络中引入注意力机制，对不同分支的特征进行加权；将预处理后的信号通过小波变换转化为时间-频率图像与二维灰度图，将一维原始信号、二维灰度图作为多分支卷积神经网络的输入，兼顾了振动信号与时间相关的变化规律，提高了诊断结果的准确性。
16.注意力模块通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息，该方法保证了模型效率和计算效果，通过避免降低通道维度来学习有效的通道注意力，同时以极其轻量级的方式获取跨通道的交互信息。
附图说明
17.图1为本发明一种基于多分支融合卷积神经网络的轴承故障诊断方法中多分支卷积神经网络的网络结构图。
18.图2为本发明中通道注意力层的网络结构图。
19.图3为本发明中步骤二的具体步骤流程图。
20.图4为本发明中步骤二转换所得的二维灰度图。
21.图5为本发明中通过二维卷积提取的特征图。
具体实施方式
22.下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
23.如图1-5所示，本发明提供了一种基于多分支融合卷积神经网络的轴承故障诊断方法，包括下列步骤。
24.一、构建多分支卷积神经网络。
25.多分支卷积神经网络包括多个卷积分支组成，每个分支负责提取不同频率范围内的特征。所述多分支卷积神经网络的网络结构如图1所示，具有多个分支。本实施例中用于处理一维原始信号的有三个分支，每个分支包含卷积层、池化层、通道注意力层、展开层，三
个分支分别对应三种不同的卷积核大小，目的是提取信号中不同尺度(即不同频率范围)的特征信息。多分支融合卷积神经网络还有一个单独的分支用于处理时间-频率图像，包括卷积层、池化层和展开层。各个分支经过合并层合并后再通过全连接层处理输出结果。通道注意力层位于对应分支的末尾，通道注意力层包括不降低维数的全局平均池化层、一维卷积层、sigmoid激活函数和加权输出层。通道注意力层的网络结构如图2所示。
26.二、将采集到的轴承振动信号转化为一维原始信号和表示时间-频率图像的二维灰度图。
27.首先通过振动传感器获取轴承运转时的振动信号，将其以4096的长度切分为n个数据段获得作为输入1的一维原始信号，将其按8∶1∶1的比例划分为训练集、测试集和验证集。
28.再将各个数据集中的数据段转换为64x64的数组，对其进行归一化处理，用数组中每个元素代表对应灰度图像素的亮度，形成表示时间-频率图像的二维灰度图。该步骤的流程图如图3所示，转换所得的二维灰度图如图4所示。
29.三、将所述一维原始信号和所述二维灰度图作为多分支卷积神经网络的输入，对多分支卷积神经网络进行训练。
30.具体来说，一维原始信号作为输入1输入到所述多分支卷积神经网络，通过第一次卷积池化后分别输入到用于处理一维原始信号的三个分支中，三个分支对应三种不同的卷积核大小，由此从一维原始信号提取到不同尺度的特征信息。
31.在通道注意力层中，信号先通过不降低维数的全局平均池化，再通过快速的一维卷积生成通道注意力，再通过sigmoid激活函数提取特征，再与原始输入进行加权输出，一维卷积的卷积核大小可由通道维数的非线性映射自适应确定。该方法在不降低维数的通道级全局平均池化之后，考虑每个通道及其k(本实施例中k＝5)个邻居来捕获局部跨通道交互信息，这样保证了模型效率和计算效果。该方法通过避免降低通道维度来学习有效的通道注意力，同时以极其轻量级的方式获取跨通道的交互信息。
32.所述二维灰度图作为输入2输入到多分支卷积神经网络，二维灰度图通过二维卷积能够提取出比一维卷积更多的特征信息，二维卷积提取的特征图如图5所示。
33.最后将三个分支处理后的输出与二维卷积的输出相加(即通过合并层合并)，再通过全连接层进行特征映射，最后通过softmax函数输出分类结果。使用训练集对网络进行训练，并用测试集对其进行验证，最后使用验证集作为输入，输出最终的训练结果，完成对多分支融合卷积神经网络的训练。
34.四、利用训练好的多分支卷积神经网络进行轴承故障诊断，根据分类结果确定轴承的健康状态。数据处理的步骤与训练过程相同，使用多分支卷积神经网络进行故障诊断的流程图如图1所示。
35.所述多分支卷积神经网络中各卷积与池化层参数如表1所示：
36.表1：各卷积与池化层参数
37.[0038][0039]
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

技术特征：
1.一种基于多分支融合卷积神经网络的轴承故障诊断方法，其特征在于：包括下列步骤：一、构建多分支卷积神经网络，多分支卷积神经网络包括多个卷积分支组成，每个分支负责提取不同频率范围内的特征；二、将采集到的轴承振动信号转化为一维原始信号和表示时间-频率图像的二维灰度图；三、将所述一维原始信号和所述二维灰度图作为多分支卷积神经网络的输入，对多分支卷积神经网络进行训练；四、利用训练好的多分支卷积神经网络进行轴承故障诊断，根据分类结果确定轴承的健康状态。2.根据权利要求1所述的一种基于多分支融合卷积神经网络的轴承故障诊断方法，其特征在于：所述多分支融合卷积神经网络中用于处理一维原始信号的有三个分支，每个分支包含卷积层、池化层、通道注意力层和展开层，三个分支分别对应三种不同的卷积核大小；多分支融合卷积神经网络还有一个单独的分支用于处理时间-频率图像，包括卷积层、池化层和展开层；各个分支经过合并层合并后再通过全连接层处理输出结果。3.根据权利要求2所述的一种基于多分支融合卷积神经网络的轴承故障诊断方法，其特征在于：通道注意力层位于对应分支的末尾，通道注意力层包括不降低维数的全局平均池化层、一维卷积层、sigmoid激活函数和加权输出层。4.根据权利要求1所述的一种基于多分支融合卷积神经网络的轴承故障诊断方法，其特征在于：所述步骤二包括：首先通过振动传感器获取轴承运转时的振动信号，将振动信号以长度切分为n个数据段获得作为输入1的一维原始信号；再将一维原始信号的数据段转换为二维数组，对二维数组进行归一化处理，用数组中每个元素代表对应灰度图像素的亮度，形成表示时间-频率图像的二维灰度图。5.根据权利要求1所述的一种基于多分支融合卷积神经网络的轴承故障诊断方法，其特征在于：所述步骤三包括：一维原始信号作为输入1输入到所述多分支卷积神经网络，通过第一次卷积池化后分别输入到用于处理一维原始信号的三个分支中，三个分支从一维原始信号提取到不同尺度的特征信息；二维灰度图作为输入2输入到多分支卷积神经网络，二维灰度图通过二维卷积能够提取出相应的特征信息；最后将三个分支处理后的输出与二维卷积的输出相加，再通过全连接层进行特征映射，最后通过softmax函数输出分类结果；使用训练集对网络进行训练，并用测试集对其进行验证，完成对多分支融合卷积神经网络的训练。6.根据权利要求5所述的一种基于多分支融合卷积神经网络的轴承故障诊断方法，其特征在于：在通道注意力层中，信号先通过不降低维数的全局平均池化，在不降低维数的通道级全局平均池化之后，考虑每个通道及其k个邻居来捕获局部跨通道交互信息；再通过快速的一维卷积生成通道注意力，再通过sigmoid激活函数提取特征，再与原始输入进行加权输出，一维卷积的卷积核大小可由通道维数的非线性映射自适应确定。

技术总结
本发明公开了一种基于多分支融合卷积神经网络的轴承故障诊断方法，包括下列步骤：一、构建多分支卷积神经网络，多分支卷积神经网络包括多个卷积分支组成，每个分支负责提取不同频率范围内的特征；二、将采集到的轴承振动信号转化为一维原始信号和表示时间-频率图像的二维灰度图；三、将所述一维原始信号和所述二维灰度图作为多分支卷积神经网络的输入，对多分支卷积神经网络进行训练；四、利用训练好的多分支卷积神经网络进行轴承故障诊断，根据分类结果确定轴承的健康状态。本发明通过多分支结构的设计，有效地捕获了不同频率范围内的振动特征，兼顾了振动信号与时间相关的变化规律，提高了诊断结果的准确性。提高了诊断结果的准确性。提高了诊断结果的准确性。


技术研发人员：徐新志 陈洋 束正华 张晓光 周立
受保护的技术使用者：安徽智质工程技术有限公司
技术研发日：2023.06.07
技术公布日：2023/9/9