基于深度学习的时间序列数据智能故障诊断方法与流程

本发明涉及故障诊断技术，尤其涉及一种基于深度学习的时间序列数据智能故障诊断方法。

背景技术：

随着智能时代的到来，越来越多的机电装备产品朝着智能化、自动化、多功能化和精密化方向发展，如今机电装备产品的应用环境复杂度逐渐增加，在复杂多变的工作环境下，机电装备的长时间连续运行易于发生各类故障，若故障无法及时的诊断和排除，一旦故障危害蔓延将可能带来重大损失，因此极有必要对机电装备提供有效的智能故障诊断方法；如今随着“互联网+”、物联网与先进智能传感器技术在机电装备上的广泛应用，反映机电装备产品运行健康状态的“大数据”被轻易获取和利用；例如，在航空发动机、电动机、发动机、滚动轴承、齿轮等机器或部件中可采集获取诸如振动加速度、噪声、转速、温度、电压或电流等一维时间序列监测数据，这些监测数据记录了机电装备运行过程的健康状态及变化特征，通过对这些一维时间序列数据进行特征提取和统计分析利用即可达到对机电装备进行故障诊断的目的。

现有针对机电装备的故障诊断和状态监测的方法仍是以传统的“事后维修”、“计划维修”和“定时维护”的方式为主，此类方法往往效率十分低下且不具备智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足技术人员智能故障诊断和在线状态监测的需求。

随着机器学习研究的不断兴起，基于人工智能的故障诊断算法逐渐成为故障诊断领域研究的热点。主流的算法有：bp神经网络(bpnn)、支持向量机(svm)和k近邻法(knn)。经过多年的应用验证，以上三种算法因其浅层的网络结构导致特征提取能力较差，已难以适应如今大数据样本环境下的应用。目前业内学者通常采用手工特征提取和浅层机器学习算法相结合的方法进行智能故障诊断。上述现有智能故障诊断方法中虽已应用并取得一定成效，但是仍然突显出三大不足：(1)必须掌握各种先进的信号处理技术用于特征提取，特征选择必须依赖于工程师凭经验和专业知识完成，存在较大的主观和盲目性；(2)特征提取主要用于解决特定故障问题，通用性差，且在海量数据样本环境下难以完成；(3)人工提取的故障特征不全面，对反映微小故障的特征易误删和被噪音掩盖。产生上述缺陷的主要原因是现有的智能故障诊断算法中使用的网络模型大多是浅层结构，其特征提取能力较弱。

2006年，hinton等提出深度学习理论，它利用深层神经网络对输入样本数据逐层贪婪学习并自动提取代表性特征，它强大的特征提取能力具备识别微小故障特征的潜力，克服了传统智能诊断方法中的固有缺陷，近5年开始受到故障诊断领域学者的关注。卷积神经网络(convolutionalneuralnetwork,cnn)是深度学习重要的分支之一，它具有强大的特征提取能力。近年来有部分学者将cnn应用于故障诊断领域，中国发明专利(一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，申请号：cn201810240234.1)和中国发明专利(基于振谱图和深度卷积神经网络的轴承故障诊断方法，申请号：cn201811567134.6)虽然都用到了卷积神经网络，但是仍存在三大缺陷，其一，该方法仍然需要对原始故障数据使用传统的特征提取方法(短时傅里叶变换)进行特征提取前处理，未能充分利用卷积神经网络强大的特征提取能力，限制了故障诊断效果的进一步提升；其二是传统的卷积神经网络参数量过多的问题，传统的卷积神经网络中包含有一个2～3层的全连接层网络结构部分，通常位于最后一个池化层与softmax分类输出层之间，由于该全连接层的存在所产生的训练参数量占据了cnn总参数量的80％～90％，这一缺陷将cnn通过池化降维减少参数量的优势大幅抵消，全连接层的结构既占用了过多的计算资源，同时又容易引起cnn模型训练过拟合，尤其是包含多个隐含层的全连接层，cnn模型参数量将随全连接层数的增加呈指数级增涨，从而导致传统cnn模型因参数量过多使得用在故障在线诊断时测试耗时过长，不利于故障的实时快速诊断。其三，传统cnn中使用的softmax分类函数在多分类功能上远不如svm的功能强大，然而svm的不足之处在于其深层特征提取和数据挖掘能力不足，难以在故障智能诊断方面发挥更优越的性能。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度学习的时间序列数据智能故障诊断方法。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的时间序列数据智能故障诊断方法，包括以下步骤：

1)采集机电设备的一维时间序列健康状态数据；所述故障数据为设置在机电设备的预置测点处的故障数据；测点的个数为t；

所述健康状态为机电设备存在的n种健康状态，其中有一个正常状态和n-1种故障状态；

2)根据采集的n种健康状态数据构建一维时间序列原始故障数据集{φ}原；

3)数据预处理，所述预处理包括归一化和数据截断；

4)构建二维特征图故障数据集；将所述数据预处理后得到的每一个故障样本中的每个通道的一维时间序列数据进行数据格式重构为二维特征图；

5)数据集划分；将二维特征图故障数据集中每一种健康状态类型中的样本划分为训练集、验证集和测试集；

6)采用卷积神经网络，构建深度学习故障诊断模型；

7)对深度学习故障诊断模型进行训练，获得所述深度学习故障诊断模型的特征提取层和降维减参层的模型参数；对训练后的深度学习故障诊断模型进行验证，直到验证集准确率达到设定的目标值或训练迭代次数时，模型训练结束，同时保存模型训练结束时的深度学习故障诊断模型中的各层参数值；

8)对输入的待诊断样本数据使用深度学习故障诊断模型进行故障诊断，输出最终的故障诊断结果。

按上述方案，所述步骤2)中一维时间序列原始故障数据集{φ}原的构建如下：一维时间序列原始故障数据集{φ}原设置为包含有n个子集：{φ}原＝{φ1,φ2,...,φi,...,φn}原，对应n种健康状态，所述每个子集{φi}原包含有t个一维时间序列原始数据段，每个原始数据段的长度为l，即包含l个数据点，从而组成一个n×t×l的多维张量数据集{φ}原。

按上述方案，所述步骤3)中数据预处理数据截断为将包含有l个数据点的一维时间序列原始数据段进行分段等分截断，使每个包含有l个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段，若假设每个等长的小数据段的长度为k个数据点,则k×h＝l。

按上述方案，所述步骤4)中数据重构方法为：首先，将故障样本中每个通道的长度为k的一维时间序列小数据段分量的一维向量格式重构为二维特征图的矩阵形式[x]m×n，构建方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图；按照同样的方法，每个故障样本中t个通道即可得到t张尺寸为m×n的二维特征图；

其次，将故障样本{x(k)}^(t)中的t个二维特征图按照从通道1、通道2、……、通道t的顺序依次叠加，构建一个故障样本的包含有t通道的二维特征图。

按上述方案，所述步骤6)构建深度学习故障诊断模型采用卷积神经网络构建。

按上述方案，所述步骤6)中深度学习故障诊断模型包含有输入层、特征提取层、降维减参层、softmax分类层和支持向量机输出层；

所述输入层用于接收二维特征图故障数据，并将数据输入给特征提取层；

所述特征提取层包含有第一卷积层、第一池化层、第二卷积层、第二池化层；

所述降维减参层包含有一个卷积核为1×1的过渡卷积层和一个全局均值池化层，所述1×1的过渡卷积层用于接收特征提取层的第二池化层的输出特征图；

所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、1×1过渡卷积层和全局均值池化层之间依次串联，在所述全局均值池化层之后并联了softmax分类层和支持向量机输出层。

按上述方案，所述步骤7)中对深度学习故障诊断模型进行训练，获得深度学习故障诊断模型的特征提取层和降维减参层的模型参数，是通过所述全局均值池化层之后连接softmax分类层，然后执行cnn模型参数训练获得所述深度学习故障诊断模型的模型参数；

参数训练具体如下：初始化模型参数，将所述总训练集的多通道二维特征图数据样本输入到所述深度学习故障诊断模型中用于深度学习模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程，对所述特征提取层和降维减参层中每一层的模型参数进行训练。

按上述方案，所述步骤8)中使用深度学习故障诊断模型进行故障诊断，通过全局均值池化层之后连接支持向量机输出层，进行最终诊断结果的进一步提升和输出。

按上述方案，所述步骤1)中采集机电设备的一维时间序列健康状态数据使用的传感器设置为具有相同的采样频率和采样时间。

按上述方案，所述步骤1)中健康状态数据包括振动加速度数据、噪声数据、压力、位移、转速、电压和电流的一种或多种组合。

本发明产生的有益效果是：本发明通过改进传统卷积神经网络模型结构，首先采用1×1的过渡卷积层与全局均值池化层的组合代替传统cnn的全连接层结构，有效减少cnn的训练参数量，提高了模型的诊断速度，然后在测试阶段采用支持向量机代替softmax分类器进一步提升诊断准确率，同时，本发明可自动对机电装备在多种监测信号和多个传感器下采集的数据进行数据融合和智能故障诊断，通过有效利用多个通道的数据对监测对象进行更精准的故障诊断。

本发明无需任何手工特征提取操作，也不需要操作人员掌握复杂的多种先进信号处理技术，本发明可以直接将原始故障数据输入到本发明所设计的深度学习故障诊断模型中，诊断模型可以自动对机电装备采集的多通道一维时间序列故障数据进行数据预处理、二维特征图重构、特征自动提取和故障的自动分类诊断，最终诊断结果自动输出，整个诊断过程自动完成，无需人工干预，具有更好的可操作性和更低的使用门槛，使故障诊断技术人员对机电装备的故障诊断更加智能方便快捷。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的基于深度学习的时间序列数据智能故障诊断方法的方法流程图；

图2是本发明实施例的深度学习故障诊断模型的结构示意图；

图3是本发明实施例的一维时间序列故障数据示意图；

图4是本发明实施例的n种健康状态的一维时间序列原始故障数据集的示意图；

图5为本发明实施例的一维时间序列原始数据段进行分段等分截断的示意图；

图6为本发明实施例的一个具有t通道的故障样本的示意图；

图7为本发明实施例的一维时间序列数据重构为二维特征图的重构示意图；

图8为本发明实施例的t通道的故障样本的t个一维时间序列数据段重构得到t张二维特征图过程的示意图；

图9为本发明实施例的一个故障样本的多通道二维特征图结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，一种基于深度学习的时间序列数据智能故障诊断方法，其包括以下步骤：

步骤(1)，采集监测对象的一维时间序列故障数据；在监测对象上布置传感器，利用所述传感器采集监测对象在多种健康状态下运行时产生的一维时间序列数据监测信号，所述传感器在监测对象上布置的测点个数设置为t个(即t个通道，t大于或等于1，一般取多个通道)，用于采集监测对象t个部位的故障数据，每个测点设置为安装一个传感器，所述每个传感器采集的数据均为一个连续的一维时间序列原始数据段，该一维时间序列原始数据段的样本长度为l，即包含有l个数据点，如图3所示；所述监测对象的健康状态设置为n种健康状态，其中包含有一个正常状态和n-1种故障状态，从而每个健康状态均包含有t个通道的一维时间序列原始故障数据段；

步骤(2)，构建一维时间序列原始故障数据集{φ}原；运用所述n种健康状态的监测数据构建用于深度学习模型训练和测试的一维时间序列原始故障数据集{φ}原，如图4所示，所述一维时间序列原始故障数据集{φ}原设置为包含有n个子集：{φ}原＝{φ1,φ2,...,φi,...,φn}原，对应n种健康状态，所述每个子集{φi}原均包含有t个一维时间序列原始数据段，从而组成一个n×t×l的多维张量数据集{φ}原，即：每一个一维时间序列原始数据段的长度均为l个数据点，每个健康状态类型包含有t个一维时间序列数据段，原始故障数据集{φ}原包含n个健康状态类型(如图4所示)；

步骤(3)，数据预处理；将获取的一维时间序列原始故障数据集{φ}原中的n×t个一维时间序列原始数据段进行数据预处理操作，所述预处理包括归一化和数据截断；首先，对所述n×t个一维时间序列原始数据段的数据逐一进行归一化数据处理，将每一个一维时间序列原始数据段中的所有数据点的值的量级转变为0～1之间，所述归一化的方法为：x＝{xi}＝(xi-xmin)/(xmax-xmin)；其次，对每个健康状态归一化处理后的t个通道中的每个通道的一维时间序列原始数据段进行分段等分截断，如图5所示，使每个包含有l个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段(假设每个等长的小数据段的长度为k个数据点,k×h＝l)，如图5所示，t个通道即可得到t×h个一维时间序列原始小数据段，从而，每个健康状态均可得到h个具有t个通道的一维时间序列原始小数据段组，每一个具有t个通道的一维时间序列原始小数据段组即构成一个故障样本，如图6所示，即每个故障样本均包含t个通道，其中每个通道具有k个数据点，将经过等分截断操作后的多通道一维时间序列原始故障数据集{φ}原记为{φ}截，因此{φ}截包含有n×h个具有t通道的一维时间序列小数据段组，每一个具有t通道的一维时间序列原始小数据段组记为一个故障样本{x(k)}^(t)，即每一个故障样本包含t个通道，每一个通道包含k个数据点(如图6所示)；k的取值范围为100～10000之间，对应二维最小特征图为10*10，最大为100*100；

步骤(4)，构建多通道二维特征图故障数据集；将所述等分截断操作后得到的{φ}截中的每一个故障样本{x(k)}^(t)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图，如图7所示，具体数据重构方法为：首先，将故障样本{x(k)}^(t)中每个通道的长度为k的一维时间序列小数据段分量x(k)的一维向量格式重构为二维特征图的矩阵形式[x]m×n(即：每张特征图的尺寸为m×n＝k)，构建方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图(如图7所示)；按照同样的方法，每个故障样本{x(k)}^(t)中t个通道即可得到t张尺寸为m×n的二维特征图，如图8所示；其次，将故障样本{x(k)}^(t)中的t个二维特征图按照从通道1、通道2、……、通道t的顺序依次叠加，如图9所示，即可构建一个包含有t通道的二维特征图的故障样本{x[m×n]}^(t)，该样本格式即是为后续步骤中本发明设计的卷积神经网络故障诊断可读取的样本形式；按照同样的样本重构方法即可将{φ}截中的n×h个具有t通道的一维时间序列小数据段组故障样本{x(k)}^(t)重构为n×h个具有t通道相叠加的尺寸为m×n的二维特征图{x[m×n]}^(t)；并将数据格式重构后的{φ}截记为多通道二维特征图故障数据集{φ}2d；

步骤(5)，数据集划分；将多通道二维特征图故障数据集{φ}2d中每一种健康状态类型中的h个样本划分为训练集、验证集和测试集，划分方法为：首先将多通道二维特征图故障数据集{φ}2d中的每一种健康状态类型中的h个故障样本随机的选取30％的样本数量作为测试集，再从剩余的70％的样本中随机的取出80％划为训练集、20％为验证集；最后，将多通道二维特征图故障数据集{φ}2d中的n类健康状态中的所有划为训练集的故障样本组集为总训练集{d}训、将{φ}2d的n类健康状态中所有划为验证集的故障样本组集为总验证集{d}验、将{φ}2d的n类健康状态的所有划为测试集的故障样本组集为总测试集{d}测；

步骤(6)，构建多通道深度学习故障诊断模型；如图2所示，所述多通道深度学习故障诊断模型包含有输入层1、特征提取层2、降维减参层3、softmax分类层4和支持向量机输出层5，所述特征提取层2包含有第一卷积层21、第一池化层22、第二卷积层23、第二池化层24，所述降维减参层3包含有一个卷积核为1×1的过渡卷积层31和一个全局均值池化层32，具体如下：在特征提取层2与softmax分类层4之间设置了降维减参层3用于替代传统卷积神经网络的全连接网络层部分，所述输入层1用于接收多通道二维特征图故障数据集{φ}2d下的总训练集{d}训、总验证集{d}验和总测试集{d}测的多通道二维特征图数据，并将多通道二维特征图数据10输入给特征提取层2内的第一卷积层21，所述1×1的过渡卷积层31用于接收特征提取层2的第二池化层24的输出特征图，所述输入层1、第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32之间依次串联，在所述全局均值池化层32之后并联了softmax分类层4和支持向量机输出层5，所述多通道深度学习故障诊断模型包含有模型训练阶段模型组合和模型测试阶段模型组合两个模型组合，如图2所示，模型组合方式设计如下：在多通道深度学习故障诊断模型的训练阶段，所述全局均值池化层32之后连接softmax分类层4，用于训练卷积神经网络各层的模型参数，在多通道深度学习故障诊断模型的测试阶段，所述全局均值池化层32之后连接支持向量机输出层5，用于最终诊断结果的进一步提升和输出。

步骤(7)，多通道深度学习故障诊断模型的训练；首先，采用步骤(6)所述的多通道深度学习故障诊断模型的训练阶段的模型组合，在全局均值池化层32之后连接softmax分类层4执行cnn模型参数训练，初始化模型参数，将所述总训练集{d}训的多通道二维特征图数据样本输入到所述多通道深度学习故障诊断模型中用于深度学习模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程，对所述第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32中每一层的模型参数进行训练；

步骤(8)，多通道深度学习故障诊断模型的验证；在多通道深度学习故障诊断模型训练的同时，将总验证集{d}验的多通道二维特征图样本数据用于对训练过程中的所述多通道深度学习故障诊断模型的诊断准确率进行实时验证，验证模型在验证集上的准确率以及检查是否出现过拟合，验证标准设计如下：当训练集和验证集上的准确率均随着训练轮数的增加而增涨且训练集上的准确率高于验证集上的准确率，说明模型参数训练正常，继续执行步骤(7)进行训练；当训练集和验证集上的准确率均随着训练轮数的增加而增涨而训练集上的准确率开始低于验证集上的准确率，说明此时模型参数训练已出现过拟合，则停止模型训，跳转到步骤(6)，重新修改所述多通道深度学习故障诊断模型的超参数，依此反复执行，直到所述多通道深度学习故障诊断模型不出现过拟合且验证集准确率达到设定的目标值或迭代轮数为止；

步骤(9)，当验证集准确率达到设定的目标值或训练迭代次数时，模型训练结束，同时保存最佳的所述多通道深度学习故障诊断模型中的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32的各层模型参数值；

步骤(10)，多通道深度学习故障诊断模型的测试；首先，采用步骤(6)所述的多通道深度学习故障诊断模型的测试阶段的模型组合，在全局均值池化层32之后连接支持向量机输出层5，其次，将所述总训练集{d}训的多通道二维特征图数据样本输入到已训练好的多通道深度学习故障诊断模型，由已训练的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32依次对输入样本提出特征值，然后，再将全局均值池化层32的输出值输入到支持向量机，完成支持向量机的模型参数的训练，并保存支持向量机的模型参数；最后，将总测试集{d}测的样本数据输入到已训练的所述多通道深度学习故障诊断模型的测试阶段模型组合的模型中，由已训练的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31、全局均值池化层32和支持向量机输出层5依次对输入样本提出特征，并最终由支持向量机输出层5输出最终的故障诊断结果。

在本实施例中，传感器类型设置为包含有振动加速度传感器、噪声传感器、压力传感器、位移传感器、转速传感器、电压传感器和电流传感器的一种或多种组合。

在本实施例中，用于监测对象数据采集的不同类型和数量的传感器，设置为具有相同的采样频率、采样时间。

在本实施例中，监测对象包括发动机、电动机、滚动轴承、齿轮等本技术领域常用的常规的旋转类机电装备。

为了进一步说明本发明提供的基于深度学习的多通道时间序列数据智能故障诊断方法在针对使用机电装备多通道一维时间序列数据进行故障诊断的可行性和有效性，在本实施例中，再以美国凯斯西储大学的电气工程实验室的轴承实验台的多通道数据进行应用示例说明和验证。

按照本发明所提供的方法步骤依次进行：首先，本实验的监测对象是电动机的滚动轴承，采用了两个振动加速度传感器分别用磁力座安装在电机的驱动端和风扇端的正上方，用于采集电动机这两个部位的振动加速度一维时间序列信号，每个传感器即获得一个通道的数据，因此，本实验为2个通道的一维时间序列数据。

本实验的轴承选用了瑞典skf公司生产的型号为6205-2rsjem深沟球轴承，该轴承用于支撑电动机主轴，本轴承的故障类型包含有1个正常状态和9个故障状态，共计10种健康状态；所述9个故障状态分别是在滚动轴承的内圈、外圈和滚珠上设置的点蚀凹孔尺寸为0.18mm、0.36mm和0.53mm的凹坑，故障数量及故障大小描述如表1所示；本实验对10种健康状态的采样频率均为12khz(每秒10,000个数据点)，采样时间为10秒，即10×12,000＝120,000个数据点，为了便于后续样本分割计算，本实验进行取整，仅保留120,000个数据点中的前100,000个数据点，因此，每种健康状态包含两个通道，每个通道获得一个长度为100,000个数据点的一维时间序列数据段。

其次，对10种健康状态中的每个通道的长度为100,000个数据点的一维时间序列数据段进行归一化预处理操作，使每个数据段的数据点值转变为0～1之间；

第三，对数据段进行等分截取，按照本发明提供的方法步骤(3)和图5～图6所示的方法，将本实验的每个健康状态的2个通道中的每个通道的长度为100,000个数据点的一维时间序列数据段等分为200份，每份长度为500个数据点，因此，每个健康状态均获得200个样本，每个样本包含2个通道，每个通道包含500个数据点，见表1所示；

第四，对上述的每个2通道的时间序列样本(每个通道有500个数据点)按照本发明提供的方法的步骤(4)和图7、图8和图9所述的方法重构为多通道二维特征图样本，将每个2通道的时间序列样本中的每个通道的500个数据点等分为25份，每份包含20个数据点，从而将包含500个数据点的一维时间序列数据段重构为尺寸为[25,20]矩阵形式的二维特征图；因此，每个样本即包含两张[25,20]的二维特征图相叠加的2通道二维特征图样本[25,20,2]，其中2代表2通道，因此，本实验总计包含10个健康状态类型，每个健康状态包含200个样本，每个样本均为一个格式为[25,20,2]的2通道二维特征图，如表1所示。

表1实验轴承的故障数据集

第五，将每个健康状态类型的200个样本取30％作为测试集(200×0.3＝60个)，剩余的70％中取出20％作为验证集(200×0.7×0.2＝28个)，其余的80％作为训练集(200×0.7×0.8＝112个)，本实验中包含10种状态类型，因此，总的训练集样本数为1120个(10×112＝1120)、总的验证集样本数为280个(10×28＝280)、总的测试集样本数为720个(10×60＝600)。

第六，在本实施例中，所构建多通道深度学习故障诊断模型如图2所示，包含有依次相的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1的过渡卷积层31、全局均值池化层32、softmax分类输出层4和支持向量机输出层5，本实验按照本发明提供的方法的步骤(6)～步骤(10)完成多通道深度学习故障诊断模型的构建、训练、验证和最终测试环节，本实验详细的多通道深度学习故障诊断模型超参数见表2所示。

表2多通道深度学习故障诊断模型超参数

在本实施例中，在表2所示的本实验所设计的多通道深度学习故障诊断模型的数据处理流程为：输入样本的特征图格式为[25,20,2]，第一卷积层21采用了64个3×3的卷积核分别对输入特征图[25,20,2]进行同卷积运算，得到64个通道的输出特征图：[25,20,64]；然后由所述第一池化层22对第一卷积层21的输出特征图[25,20,64]进行最大池化操作，所述第一池化层22的池化核为2×2，步长为[2,2]，池化操作后得到[12,10,64]的特征图；然后再由第二卷积层23对第一池化层22的输出特征图[12,10,64]进行第二次卷积操作，所述第二卷积层23采用32个3×3的卷积核分别对特征图[12,10,64]进行同卷积运算，得到32通道的输出特征图：[12,10,32]；然后再由所述第二池化层24对第二卷积层23的输出特征图[12,10,32]进行最大池化操作，所述第二池化层24的池化核为2×2，步长为[2,2]，池化操作后得到[6,5,32]的特征图；然后再由1×1的过渡卷积层31对第二池化层24的输出特征图[6,5,32]进行第三次卷积操作，所述第三卷积层31采用10个1×1的卷积核分别对特征图[6,5,32]进行同卷积运算，得到10通道的输出特征图：[6,5,10]；然后再在第三卷积层31之后设置全局均值池化层32，所述全局均值池化层32采用10个6×5的池化核对第三卷积层31的输出特征图[6,5,10]进行全局均值池化计算，对每一个[6,5]的特征图内的所有值得一个全局平均值[1,10]；在训练阶段，全局均值池化层32的输出特征向量继续输入给softmax分类层4进行结果计算，误差计算及误差反向传播，训练cnn的特征提取层2和降维减参层3的模型参数，在测试阶段，全局均值池化层32的输出特征向量[1,10]直接输入给支持向量机输出层5进行最终诊断结果输出，如表2所示。

本发明提供的基于深度学习的多通道时间序列数据智能故障诊断方法与同规模的传统cnn相比，参数量明显减少，如表3所示，采用传统cnns-全连接网络的模型参数总数为143,978个，而采用本发明提出的模型参数量仅为20,120个。

表3cnn模型训练参数量对比表

本发明提供的基于深度学习的多通道时间序列数据智能故障诊断方法与同规模的传统cnn相比，准确率有所提高，且故障的测试时间和训练时间显示减少，如表4所示。对比表4可知，本发明提供的算法相比传统的全连接cnn算法性能得到明显提升。

表4故障诊断结果对比表

如表4所示，本发明设计的算法包含两个部分，其一是改进的cnns与softmax组合进行反向传播优化训练cnns模型时得到的准确率，另一个是将训练好的cnns模型作为特征提取器对新故障数据进行特征提取后再输入svm进行故障分类得到的准确率；对比表4可知，在准确率方面：传统的cnns算法准确率为98.75％，而本发明提供的算法的准确率已提升至99.89％；在时间方面，本发明提出的算法因为去除了全连接部分使模型参数量大量减少，其训练时间和测试时间明显减少，这对提出的方法应用于故障的快速诊断与在线监测具有重要意义。

为进一步验证本发明提出的方法相比当前主流智能诊断方法的有效性，本实施例将本发明的诊断结果与目前主流的支持向量机(svm)、bp神经网络(bpnn)和k近邻法(knn)及深层的bp神经网络(dnn)进行对比验证，结果见表5所示。

由表5可见，本发明所提供的方法的诊断准确率明显优于现行其他算法。

表5五种算法诊断准确率数据表

通过本发明所提供的以上技术方案与现有技术相比，本发明提供的基于深度学习的多通道时间序列数据智能故障诊断方法，通过改进传统卷积神经网络模型结构，首先采用1×1的过渡卷积层与全局均值池化层的组合代替传统cnn的全连接层结构，有效减少cnn的训练参数量，提高了模型的诊断速度，然后在测试阶段采用支持向量机代替softmax分类器进一步提升诊断准确率，同时，本发明可自动对机电装备在多种监测信号和多个传感器下采集的数据进行数据融合和智能故障诊断，通过有效利用多个通道的数据对监测对象进行更精准的故障诊断。

本发明无需任何手工特征提取操作，也不需要操作人员掌握复杂的多种先进信号处理技术，本发明可以直接将原始故障数据输入到本发明所设计的多通道深度学习故障诊断模型中，诊断模型可以自动对机电装备采集的多通道一维时间序列故障数据进行数据预处理、二维特征图重构、特征自动提取和故障的自动分类诊断，最终诊断结果自动输出，整个诊断过程自动完成，无需人工干预，具有更好的可操作性和更低的使用门槛，使故障诊断技术人员对机电装备的故障诊断更加智能方便快捷。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。