[發(fā)明專利]一種基于改進(jìn)端到端ResNet-BiLSTM雙通道模型的設(shè)備故障診斷方法

在審

• 申請?zhí)枺?/td>: 202210176360.1
• 申請日: 2022-02-24
• 公開（公告）號: CN115392333A
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計）人: 季海鵬;孫躍華;劉晶;趙佳
• 申請（專利權(quán)）人: 河北工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京眾達(dá)德權(quán)知識產(chǎn)權(quán)代理有限公司 11570
• 代理人: 代春茹

1.一種基于改進(jìn)端到端ResNet-BiLSTM雙通道模型的設(shè)備故障診斷方法，其特征在于：具體包括以下步驟：

S1、采用加速度傳感器對原始振動加速度一維時序性數(shù)據(jù)進(jìn)行采集，簡單歸一化處理后作為端到端診斷模型的輸入；

S2、構(gòu)建ResNet模型通道對原始信號的隱性非明顯特征進(jìn)行深層次挖掘與提取；

S3、構(gòu)建1DECANet模塊并與ResNet模型通道串聯(lián)，對深淺層數(shù)據(jù)特征進(jìn)行跨通道交互，作為改進(jìn)后的ResNet特征提取通道；

S4、構(gòu)建棧型BiLSTM模型通道對原始故障數(shù)據(jù)的時序相關(guān)性特征進(jìn)行提取，加入批歸一化層和Dropout層避免該模型通道過擬合；

S5、搭建端到端雙通道診斷模型，在全連接層對改進(jìn)后的ResNet模型通道和棧型BiLSTM模型通道提取的數(shù)據(jù)特征采用Concatenate機(jī)制融合；

S6、利用Focal Loss損失函數(shù)協(xié)調(diào)訓(xùn)練樣本數(shù)據(jù)非平衡、挖掘難分樣本隱性特征，實現(xiàn)雙通道診斷模型訓(xùn)練的參數(shù)更新；

S7、采用Softmax函數(shù)進(jìn)行多種故障信號數(shù)據(jù)的分類，實現(xiàn)非平衡故障信號的精確診斷。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)端到端ResNet-BiLSTM雙通道模型的設(shè)備故障診斷方法，其特征在于：所述步驟S2和S3中，采用搭建改進(jìn)的ResNet特征提取通道，實現(xiàn)深淺層特征數(shù)據(jù)的跨通道交互，具體步驟如下：

T1、構(gòu)建一維ResNet神經(jīng)網(wǎng)絡(luò)通道，即在淺層網(wǎng)絡(luò)基礎(chǔ)上疊加恒等映射層對歸一化后的時序信號沿時間軸方向進(jìn)行局部特征提取，按照公式進(jìn)行卷積層和恒等映射計算；

y_lay＝F(x_lay,W_i)+W_sx_lay

F＝W₂σ(W,x_lay)

x_lay+1＝f(y_lay)

其中x_lay表示殘差模塊的輸入，x_lay+1表示殘差模塊的輸出，W、W_i、W₂均表示常規(guī)一維卷積計算，W_s表示1*1卷積計算，σ表示Sigmoid激活函數(shù)，f(·)表示ReLU激活函數(shù)；

T2、構(gòu)建1DECANet模塊，通過一種不降維的局部跨信道交互策略，對原始故障信號中隱性故障進(jìn)行深層次、跨通道挖掘與提取；

其中C表示網(wǎng)絡(luò)中間層特征數(shù)據(jù)通道數(shù)，k表示自適應(yīng)調(diào)整函數(shù)計算得到的一維卷積核尺寸大小，γ＝2,b＝1；

T3、將構(gòu)建的ResNet模塊與1DECANet模塊進(jìn)行串聯(lián)融合，共同構(gòu)成改進(jìn)后的ResNet特征提取通道，并于BiLSTM特征提取通道采用Concatenate機(jī)制進(jìn)行融合，為端到端診斷模型提供分類特征參數(shù)依據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)端到端ResNet-BiLSTM雙通道模型的設(shè)備故障診斷方法，其特征在于：所述步驟S6中，采用Focal Loss損失函數(shù)協(xié)調(diào)故障樣本數(shù)據(jù)失衡，具體為：

E1、首先在標(biāo)準(zhǔn)交叉熵?fù)p失函數(shù)基礎(chǔ)上增加一個調(diào)制系數(shù)ω＞0以減少易分類樣本的損失權(quán)重，賦予困難的和錯分的樣本數(shù)據(jù)更大的權(quán)重；

其中L₀表示標(biāo)準(zhǔn)交叉熵?fù)p失函數(shù)，L₁表示添加調(diào)制系數(shù)后的交叉熵?fù)p失函數(shù)，X表示故障樣本，n表示樣本總數(shù)，a表示期望輸出，y表示神經(jīng)元的實際輸出；

E2、接著在此基礎(chǔ)上加入平衡因子λ來平衡正負(fù)樣本本身的比例不均問題，構(gòu)成FocalLoss損失函數(shù)；