[發明專利]基于一維卷積與動態路由的多傳感器滾動軸承故障診斷

有效

• 申請號: 202011133371.9
• 申請日: 2020-10-21
• 公開（公告）號: CN112284735B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 郭俊鋒;呂健豪
• 申請（專利權）人: 蘭州理工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06N3/04;G06V10/80;G06V10/82;G06K9/62;G06F30/27
• 代理公司: 北京市邦道律師事務所 11437
• 代理人: 段君峰

本發明屬于滾動軸承故障診斷技術領域。本發明公開了一種基于一維卷積與動態路由的多傳感器滾動軸承故障診斷包括：步驟S1，獲取多傳感器測量的不同狀態的振動信號；步驟S2，建立一種平行的多卷積結構來提取步驟S1中由多傳感器所獲取振動信號的不同角度的特征信息；步驟S3，采用動態路由算法對步驟S2中不同角度的特征信息進行特征融合，并使用softmax分類器映射輸出。本發明提出的基于一維卷積與動態路由的多傳感器滾動軸承故障診斷，可以在變化的工況與噪聲干擾情形下，具有最優的診斷性能，獲得更好的適應能力，達到對實際生產過程中滾動軸承故障的精準診斷效果。

技術領域

本發明屬于滾動軸承故障診斷技術領域，具體涉及一種基于一維卷積與動態路由的多傳感器滾動軸承故障診斷方法。

背景技術

滾動軸承作為旋轉機械的關鍵部分，對于保障生產安全和提高經濟效益具有重要作用。近年來，針對滾動軸承的故障診斷處理方法主要有：信號處理與智能診斷。

信號處理主要是通過人工對于信號的時頻域進行設計特征參數的方法進行故障診斷，這樣基于信號處理的方法嚴重依賴于專家經驗和先驗知識，也就意味著該故障診斷的效果在很大程度上受人為因素的影響，這在工作條件復雜的實際生產過程中是不可用的。智能診斷則引入了人工神經網絡(Artificial Neural Network,ANN)、支持向量機(Support Vector Machine,SVM)、隨機森林(Random Forest,RF)和BP神經網絡(BP NeuralNetworks,BPNN)等傳統機器學習方法，但是這些傳統機器學習模型難以從原始數據中提取深層特征并處理大量數據，同樣需要人為地針對不同工作條件進行特征提取的預處理工作，也難以應用于工作條件復雜的實際生產。

Geoffrey Hinton于2006年首次提出深度學習(Deep Learning,DL)技術，由于它可以自動學習深層的代表性，因此受到越來越多的關注，并由此深度學習模型，例如卷積神經網絡(Convolutional Neural Networks，CNN)、循環神經網絡(Recurrent neuralnetwork,RNN)、深度置信神經網絡(Deep Belief Networks,DBN)和稀疏自編碼器(SparseAuto Encoder,SAE)等也被應用于智能故障診斷技術。作為深度學習其中一個分支，卷積神經網絡(CNN)是一種特殊的前饋神經網絡，相比于其他深度學習模型，可以大大減少需要訓練的參數數量，縮短訓練時間。

但是，以上現有研究大多是在工作條件保持不變的無噪假設下建立的，這并不符合當前實際的生產情況。在當前實際生產過程中，工況經常會根據生產要求而變動,例如風力發電機，經常在負載劇烈變化的條件下工作，這樣所收集的數據會受多種因素的影響，例如可變的工作條件、振動、環境噪聲等因素影響。因此，智能診斷模型需要朝著更加靈活的方向發展，診斷模型應該可以檢測和診斷可變工況條件下的工業系統中的故障，以確保產品質量以及工廠的安全和經濟效益。

發明內容

為了能夠對滾動軸承進行可變工況條件下的故障診斷，本發明提出了一種基于一維卷積與動態路由的多傳感器滾動軸承故障診斷，包括以下步驟：

步驟S1，獲取多傳感器測量的不同狀態的振動信號；

步驟S2，建立一種平行的多卷積結構來提取步驟S1中由多傳感器所獲取振動信號的不同角度的特征信息；

步驟S3，采用動態路由算法對步驟S2中不同角度的特征信息進行特征融合，并使用softmax分類器映射輸出。

優選的，在所述步驟S1中，將多傳感器測量的振動信號通過快速傅里葉變換為頻譜。

優選的，在所述步驟S2中，建立與步驟S1中傳感器的數量相對應且相互平行的多個一維卷積神經網絡，并由對應的一維卷積神經網絡來提取對應傳感器所獲取振動信號的特征信息。