[發明專利]一種基于多通道CNN多元信息融合的軸承故障診斷方法

在審

• 申請號: 202110020601.9
• 申請日: 2021-01-07
• 公開（公告）號: CN112766331A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 贠衛國;王楠;井小浩
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G01M13/045
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 王晶

一種基于多通道CNN多元信息融合的軸承故障診斷方法，包括利用采樣頻率相同的加速度計采集軸承時域振動信號，得到網絡所需數據集；對采集來的數據按照時段，將軸承雙側振動數據成對組合，變成一個含有兩通道的振動數據，并依據軸承損壞狀態進行貼標處理；構建多信息融合的卷積神經網絡，其中，所述網絡結構具有多個雙通道卷積核，所述雙通道卷積核包含卷積操作和求和操作來對輸入的數據進行數據融合，評估訓練后的模型，并將其應用于待診斷的軸承數據中。本發明在不改變卷積神經網絡本身結構的前提下實現了多信息融合，并且增加了軸承診斷模型的精度。

技術領域

本發明涉及滾動軸承故障檢測技術領域，特別涉及一種基于多通道CNN多元信息融合的軸承故障診斷方法。

背景技術

隨著我國工業現代化的不斷發展，工業機電設備日益復雜，這使得機器檢測的地位不斷提升。為了保證設備的正常運轉，減小由于機電設備故障而帶來的經濟損失，人們對于更快、更準、更穩定的故障檢測方法的研究從未停止。由于滾動軸承是機電設備中不可或缺的零件，所以對軸承的故障檢測也是十分重要的。近年來，由于機器學習的興起，以及智能化算法面向訓練數據的特征，可以在保證準確率的前提下大大縮減人工成本，因而出現了大量的智能化故障檢測技術。

然而工業環境復雜，工業現場干擾源多，單憑借單一信息元來作為機器學習算法的輸入難免會受到外界干擾，因而也出現了大量的基于多信息融合的神經網絡模型。不過此類模型大都不能借助網絡本身實現多信息融合，其結構復雜，使得網絡模型計算時間大大增加。

發明內容

為了克服上述現有技術的不足，本發明的目的在于提供一種基于多通道CNN多元信息融合的軸承故障診斷方法，不僅提高了網絡的診斷準確率而且還利用網絡自身實現了多信息融合,大大減少多信息融合的計算過程。

為了實現上述目的，本發明采用的技術方案是：

一種基于多通道CNN多元信息融合的軸承故障診斷方法，包括以下步驟：

步驟一：

在軸承兩端布置加速度計，用采樣頻率相同的加速度計采集軸承時域振動信號，得到網絡所需數據集；

步驟二：

對步驟一軸承雙側采集而來的振動數據依據其損壞狀況進行貼標簽處理，其中將相同時段內軸承雙側的振動信號編為一對數據；

步驟三：

搭建多信息融合的卷積神經網絡模型，并用步驟二中貼完標簽的成對數據對其進行模型訓練，其中，所述網絡結構具有多個雙通道卷積核，所述雙通道卷積核包含卷積操作和求和操作；

步驟四：

對訓練后的模型在使用測試數據集進行測試，用以評估該模型，并將其應用于準備診斷的軸承數據上。

所述步驟一中采樣方式為將兩個同采樣頻率的加速度計分別放置于待診斷的軸承兩側。

所屬步驟二中打標簽的方式是將同時段內軸承雙側振動數據成對組合，變成一個含有兩通道的振動數據。

所述步驟三具體為：

(3-1)：模型的輸入數據為雙通道數據，網絡的第一層卷積核也是含有雙通道的卷積核，其數量為32個，卷積核大小為20×1×2，步長為8×1，并對該層使用padding進行補0填充，該層卷積核對輸入的雙通道數據進行數據融合，包含卷積操作和求和操作；所述卷積計算為擁有相同通道數的輸入數據和卷積核對應維度進行卷積；所述加法運算為輸入數據經過一個卷積核計算后，該結果的多通道數據相對應位置的值進行加法運算；

所述卷積和加法計算為：

其中--第l層的第i個卷積核的第j′個權值；--第l層中第j個被卷積的局部區域；W--卷積核的寬度；