[發明專利]一種基于改進1DCNN-BiLSTM的設備故障診斷方法

有效

• 申請號: 202110851697.3
• 申請日: 2021-07-27
• 公開（公告）號: CN113822139B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 劉晶;孫躍華;季海鵬;周鵬飛
• 申請（專利權）人: 河北工業大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/213;G06F18/24;G06N3/0464;G06N3/08;G01M13/045
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 蔣宏洋

本發明公開了一種基于改進1DCNN?BiLSTM的設備故障診斷方法，包括下述步驟：S1.采用自適應白噪聲的完整經驗模態分解(CEEMDAN)技術對原始振動加速信號進行預處理，作為模型的輸入；S2.構建1DCNN?BiLSTM雙通道模型，將預處理信號輸入雙向LSTM模型和一維CNN模型兩個通道，對信號的時序相關性特征、局部空間的非相關性特征和弱周期性規律進行充分提取；S3.針對信號夾雜強噪聲問題，改進SENet模塊并作用于兩個不同模型通道；S4.在全連接層將雙通道提取特征融合，借助Softmax分類器實現對設備故障的精確識別。本發明針對工業領域中故障數據存在時序性和夾雜噪聲問題，對原始信號濾波去噪預處理，構建1DCNN?BiLSTM雙通道特征提取模塊，并融入改造的SENet模塊實現特征通道的加權，有效提高機械設備故障診斷效率。

技術領域

本發明涉及工業設備故障診斷及深度學習模型構建技術領域，具體涉及一種基于改進1DCNN-BiLSTM的設備故障診斷方法。

背景技術

隨著現代工業的迅速發展，“智能工廠”中的機械設備也向著集成化、復雜化方向蓬勃發展。滾動軸承是旋轉機器中廣泛應用的零件之一，伴隨機械設備的持續運行，軸承不可避免出現各式各樣的故障。據統計在旋轉機械的故障中，軸承損壞的故障約占30％。造成故障的原因也往往是復雜多樣的，滾動軸承的狀態監測與故障診斷是機械設備故障診斷技術的重要內容。因此，機械設備軸承的故障診斷對于提高生產效率和經濟效益具有十分重要的意義。

基于信號處理的設備故障診斷方法在以數據驅動的方法中效果顯著。經驗模態分解(empirical?mode?decomposition，EMD)作為一種新的信號處理方法，可將信號局部時變特征自適應地分解成若干個本征模函數(IMF)之和，能夠突出信號的局部特征。文章[S?Gao等.Rolling?bearing?fault?diagnosis?of?PSO–LSSVM?based?on?CEEMD?entropy?fusion[J].Transactions?of?the?Canadian?Society?for?Mechanical?Engineering.]利用互補經驗模態分解(CEEMD)對滾動軸承振動信號分解，獲取具有故障特征IMF的奇異熵，能量熵和置換熵，提出熵融合的特征提取方法，借助核主成分分析(KPCA)和粒子群優化(PSO)算法實現滾動軸承的分類。文章[Xiang等.Rolling?element?bearing?fault?detection?usingPPCA?and?spectral?kurtosis.Measurement]將概率主成分分析(PPCA)和光譜峰度(SK)融合方法實現滾動元件軸承故障檢測。傳統的基于信號特征提取的方法雖然取得不錯的進展，但仍存在先驗知識要求高、收斂速度慢、診斷精度不夠等先天缺點。

深度神經網絡是解決復雜系統診斷問題有效的模型，可直接對高度非線性、復雜、多維系統數據進行建模，挖掘數據與診斷目標的映射關系。文章[Hoang?DT等.A?deepneural?network-based?feature?fusion?for?bearing?fault?diagnosis.Sensors]根據數據源設置有n個分支的DNN模型，每個分支由CPB模塊(卷積層、批歸一化層、池化層)組成實現故障軸承故障診斷，證明多分支模型比單傳感器具有更高的診斷性能。文章[ShijieHao等.Multisensor?data?fusion?for?gearbox?fault?diagnosis?using2-Dconvolutional?neural?network?and?motor?current?signature?analysis.MechanicalSystems?and?Signal?Processing]提出了一種用于軸承故障診斷的1DCNN-LSTM網絡端到端解決方案，方案直接從一維卷積層、池化層和LSTM層的多個傳感器測量的振動信號中提取時空特征，最后由輸出層完成軸承故障診斷進行分類。