[發明專利]軸承故障診斷的多任務深度神經網絡方法及裝置

有效

• 申請號: 202110441167.1
• 申請日: 2021-04-23
• 公開（公告）號: CN113191240B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 趙志宏;李樂豪;李晴;楊紹普;劉永強;顧曉輝;李鶴飛;劉澤潮;陳恩利
• 申請（專利權）人: 石家莊鐵道大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 河北國維致遠知識產權代理有限公司 13137
• 代理人: 秦敏華

1.一種軸承故障診斷的多任務深度神經網絡方法，其特征在于，包括：

采集不同故障類型的軸承振動信號，并提取各軸承振動信號對應的頻譜；

將頻譜和故障類型作為對應軸承振動信號的樣本標簽，創建軸承樣本集，所述軸承樣本集包括多個軸承樣本，各個軸承樣本分別包括軸承振動信號和樣本標簽；

搭建具有輔助任務的多任務深度神經網絡，所述多任務深度神經網絡包括輔助任務執行模塊和故障診斷任務執行模塊，所述輔助任務執行模塊包括順序連接的特征提取模塊和頻譜生成模塊；所述故障診斷任務執行模塊包括順序連接的所述特征提取模塊和故障分類模塊；

將所述軸承樣本集輸入至所述多任務深度神經網絡中完成網絡訓練；

采用完成網絡訓練的多任務深度神經網絡對待測軸承進行故障診斷。

2.如權利要求1所述的軸承故障診斷的多任務深度神經網絡方法，其特征在于，所述采集不同故障類型的軸承振動信號，并提取各軸承振動信號對應的頻譜，包括：

采用滑動窗口對各個故障類型的軸承振動信號進行重采樣，得到各個故障類型的軸承振動信號段；

針對任一軸承振動信號段，使用快速傅里葉變換從該軸承振動信號段中提取頻譜。

3.如權利要求1所述的軸承故障診斷的多任務深度神經網絡方法，其特征在于，所述故障類型包括內圈故障、外圈故障、滾動體故障和無故障。

4.如權利要求1所述的軸承故障診斷的多任務深度神經網絡方法，其特征在于，所述特征提取模塊包括依次連接的輸入層、高斯噪聲層、卷積層、第一批標準化層、第一激活函數層、扁平層、Dropout層、第一全連接層、第二批標準化層和第二激活函數層；

所述頻譜生成模塊包括依次連接的第二全連接層、第三批標準化層、第三激活函數層和第三全連接層；

所述故障分類模塊包括依次連接的第四全連接層和第五全連接層；

所述特征提取模塊的第二激活函數層的輸出分別與所述頻譜生成模塊的第二全連接層的輸入及所述故障分類模塊的第四全連接層的輸入連接。

5.如權利要求1所述的軸承故障診斷的多任務深度神經網絡方法，其特征在于，所述多任務深度神經網絡的損失函數為：

其中，N表示頻譜長度，f_w表示軸承振動信號段的頻譜中頻率為w時對應的幅值，表示頻譜生成模塊輸出的生成頻譜中頻率為w時對應的幅值，M表示故障類型的數量，表示軸承振動信號段對應第l類故障類型的概率，y_l為故障分類模塊輸出的軸承振動信號段對應第l類故障類型的概率，μ表示L2損失函數的權重，σ表示交叉熵損失函數的權重。

6.如權利要求5所述的軸承故障診斷的多任務深度神經網絡方法，其特征在于，所述采用完成網絡訓練的多任務深度神經網絡對待測軸承進行故障診斷，包括：

在多任務深度神經網絡完成網絡訓練后，去掉所述特征提取模塊中的高斯噪聲層、Dropout層和所述頻譜生成模塊，并將去掉高斯噪聲層和Dropout層的故障診斷任務執行模塊作為故障診斷模型對待測軸承進行故障診斷。

7.一種軸承故障診斷的多任務深度神經網絡裝置，其特征在于，包括：

頻譜提取模塊，用于采集不同故障類型的軸承振動信號，并提取各軸承振動信號對應的頻譜；

樣本生成模塊，用于將頻譜和故障類型作為對應軸承振動信號的樣本標簽，創建軸承樣本集，所述軸承樣本集包括多個軸承樣本，各個軸承樣本分別包括軸承振動信號和樣本標簽；

模型搭建模塊，用于搭建具有輔助任務的多任務深度神經網絡，所述多任務深度神經網絡包括輔助任務執行模塊和故障診斷任務執行模塊，所述輔助任務執行模塊包括順序連接的特征提取模塊和頻譜生成模塊；所述故障診斷任務執行模塊包括順序連接的所述特征提取模塊和故障分類模塊；

訓練模塊，用于將所述軸承樣本集輸入至所述多任務深度神經網絡中完成網絡訓練；

故障診斷模塊，用于采用完成網絡訓練的多任務深度神經網絡對待測軸承進行故障診斷。