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

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
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京眾達德權(quán)知識產(chǎn)權(quán)代理有限公司 11570
• 代理人: 代春茹

本發(fā)明公開了一種基于改進端到端ResNet?BiLSTM雙通道模型的設備故障診斷方法，具體包括下述步驟：S1.采用加速度傳感器采集原始一維時序性故障數(shù)據(jù)，簡單歸一化后作為模型的輸入；S2.構(gòu)建改進的端到端ResNet?BiLSTM雙通道故障診斷模型，將歸一化后信號輸入ResNet模型和BiLSTM模型兩個通道；S3.構(gòu)造1DECANet模塊并將其與ResNet模型通道串聯(lián)；S4.采用Concatenate機制將雙通道提取特征融合，利用Softmax分類器輸出設備故障的診斷結(jié)果，本發(fā)明涉及深度學習中雙通道模型構(gòu)建及工業(yè)設備故障診斷技術(shù)領域。該端到端雙通道模型的設備故障診斷方法，通過針對工業(yè)互聯(lián)網(wǎng)領域中故障診斷數(shù)據(jù)存在非平衡性和隱性特征難以提取問題，構(gòu)建改進的端到端ResNet?BiLSTM雙通道故障診斷模型，有效提高機械設備故障診斷效率。

技術(shù)領域

本發(fā)明涉及深度學習中雙通道模型構(gòu)建及工業(yè)設備故障診斷技術(shù)領域， 具體為一種基于改進端到端ResNet-BiLSTM雙通道模型的設備故障診斷方 法。

背景技術(shù)

隨著現(xiàn)代工業(yè)的迅速發(fā)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(fā)展。機械設備是工業(yè)領域不可或缺的重要組成部分，伴隨機 械設備的持續(xù)運行，其設備部件不可避免出現(xiàn)各式各樣的故障。造成部件故 障的原因也往往是復雜多樣的，機械設備的狀態(tài)監(jiān)測與故障診斷是工業(yè)領域 故障診斷技術(shù)的重要內(nèi)容。假如不能及時有效地實現(xiàn)對部件故障的處理，機 械設備將無法運轉(zhuǎn)工作從而影響工業(yè)生產(chǎn)，因此機械設備故障診斷對于提高 工業(yè)生產(chǎn)效率和經(jīng)濟效益具有十分重要的意義。

機械設備故障診斷研究主要集中在特征值提取和狀態(tài)識別這兩個部分， 這是機械設備狀態(tài)監(jiān)測的核心部分。在長期運轉(zhuǎn)過程中通過各種傳感器與機 械設備相連接實現(xiàn)對機械設備運行狀態(tài)對監(jiān)測和運行參數(shù)的采集，其中振動 加速度信號是采集與研究的主要對象。深度神經(jīng)網(wǎng)絡是解決復雜系統(tǒng)診斷問 題有效的模型，可直接對高度非線性、復雜、多維振動加速度信號數(shù)據(jù)進行 建模，挖掘數(shù)據(jù)與診斷目標的映射關系。文章[張弘斌等，采用多通道樣本和 深度卷積神經(jīng)網(wǎng)絡的軸承故障診斷方法[J].西安交通大學學報,2020,54(8): 58-66.]利用連續(xù)小波變換提取轉(zhuǎn)子兩端軸承振動信號的時頻域特征，構(gòu)造3 類振動信號的單通道二維圖形樣本并進行融合，輸入卷積神經(jīng)網(wǎng)絡CNN中實 現(xiàn)特征提取和軸承故障信號的精確分類。隨著反饋神經(jīng)網(wǎng)絡在自然語言處理 (Natural Language Processing,NLP)領域取得重大突破，文章[范宇雪等.基 于BI-LSTM的小樣本滾動軸承故障診斷方法研究[J].噪聲與振動控制, 2020(4):108-113.]將自適應白噪聲模態(tài)分解(Complete EEMDwith Adaptive Noise,CEEMDAN)與傅里葉變換對信號進行分解后輸入雙向長短期記憶BiLSTM神經(jīng)網(wǎng)絡實現(xiàn)對高速列車輪軸承的故障診斷。文章[Tan等.Rolling bearing faultdiagnosis based on single gated unite recurrent neural networks[J].Journal ofPhysics Conference Series,2020,1601:042017.] 設計一種新的單門聯(lián)合(SingleGated Unite,SGD)遞歸神經(jīng)網(wǎng)絡作為LSTM 神經(jīng)網(wǎng)絡的簡化策略，利用小波包分解提取特征作為雙向單門聯(lián)合的輸入實 現(xiàn)軸承的故障診斷，減少達36％的網(wǎng)絡參數(shù)量，提高了故障診斷的時間效率。 文章[陳偉等.基于RS-LSTM的滾動軸承故障識別[J].中國科技論文,2018,13(10):1134-1141.]為實現(xiàn)滾動軸承不同故障類型的振動加速度信號 的智能分類，將隨機搜索(Random Search,RS)與LSTM神經(jīng)網(wǎng)絡相結(jié)合，以 原始故障數(shù)據(jù)作為輸入，驗證所提算法具有較高的泛化能力和魯棒性。

上述基于信號處理和深度學習的故障診斷模型，實現(xiàn)了工業(yè)領域機械軸 承、齒輪等機械設備的故障診斷與狀態(tài)監(jiān)測。針對不同場景和不同特征數(shù)據(jù) 不同診斷算法各有利弊，如何融合各個算法的優(yōu)勢并減少人為干預過程，構(gòu) 建端到端診斷模型應用于海量特征數(shù)據(jù)進行特征的提取和深層次挖掘，提高 工業(yè)領域中設備故障診斷的速度和精度，仍是需要解決的主要問題。

發(fā)明內(nèi)容