基于WSDAE-WDCNN-SENet的轴承故障诊断方法

本发明涉及轴承故障诊断领域，特别涉及基于wsdae-wdcnn-senet的轴承故障诊断方法。

背景技术：

1、在机械装备中存在许多细小但至关重要的零部件，而轴承作为旋转机械的关键组成部分之一，其运行状态直接影响着机械设备的整体运行状况，因此，如何快速准确地提取旋转机械中的故障特征，并对机械装备出现的故障，尤其是轴承故障进行有效诊断，是一项不容忽视的问题，如何在噪声干扰的情况下对故障进行准确、高效的诊断，仍是目前研究的主要焦点问题。

2、基于人工智能的故障诊断方法，已经广泛应用于轴承的故障诊断并取得一定的成果，目前，轴承故障诊断大多是通过对各种状态参数的监测和分析来判断其运行状态，确定故障位置和磨损程度，一般轴承故障诊断可通过振动信号的采集、特征提取和分类来完成，利用小波变换能够获得较理想的信号分解结果，从而实现准确率更高的故障诊断；集合经验模态分解方法在抑制模态混淆和故障诊断方面较原始方法有一定优势。

3、然而，由于旋转机械所采集到的振动信号很容易被其他背景噪音或者其他噪音所干扰，导致许多技术方法仅能处理无噪音条件下轴承振动信号，很难有效分辨出不同健康状态下有价值的轴承振动信号，并且，当前许多双通道、多通道故障诊断网络方法对各条通道输出直接进行连接，忽略了在不同环境下，每条通道的输出特征重要性不同，为此，我们提出基于wsdae-wdcnn-senet的轴承故障诊断方法。

技术实现思路

1、本发明的目的在于提供基于wsdae-wdcnn-senet的轴承故障诊断方法，克服了现有技术的不足，解决了上述问题。

2、为解决上述问题，本发明所采取的技术方案如下：

3、基于wsdae-wdcnn-senet的轴承故障诊断方法，所述诊断方法包括：

4、s1：对轴承的关键振动信号进行滑动窗口采样，并划分为训练集、验证集和测试集；

5、s2：利用wdcnn模型和wsdae模型分别学习振动信号的特征，并使用senet进行特征信息融合；

6、s3：将融合后得到的特征信息输入到softmax中进行分类诊断，生成故障诊断结果报告；

7、所述wsdae模型是将wsc集成到sdae网络结构层，由编码器、wsc模块、隐藏层和解码器构成；

8、所述wsc是由两条路径组成，一条为权重学习路径，另一条为原始特征路径，输入数据分别进入原始特征路径、其他神经网络路径、权重学习路径，所述原始特征路径中的数据x直接从输入端连接到输出端，所述其他神经网络路径中的数据x经过神经网络生成特征向量fn(x)，所述权重学习路径中的数据x依次流经稀疏全连接(sfc)层、批量归一化(bn)层、relu激活函数、全连接(fc)层、bn层和sigmoid激活函数，所述权重学习路径的最终目的是生成各元素介于0和1之间的权重矩阵：

9、w(x)＝s(b2+r(b1+wsx))，

10、其中，s(·)和r(·)分别代表激活函数sigmoid和relu，b1和b2分别代表网络偏置项，ws代表稀疏矩阵，控制网络稀疏性，x代表输入值。

11、优选地，所述滑动窗口采样中的窗口长度为2048，步长为28。

12、优选地，所述s2中学习振动信号的特征的方法为：

13、s21：建立wdcnn模型和wsdae模型；

14、s22：将wsdae和wdcnn网络模型输出连接各自的全连接层，并重塑成多条特征通道，然后输入senet模块；

15、s23：经过senet模块中池化层输出后，通过一系列层处理获得各特征通道的重要性；

16、s24：将重要性与特征通道相乘，得到最终特征信息。

17、优选地，所述senet模块中的池化层采用平均池化获取每个通道的全局特征描述，并应用最大池化提取局部通道特征，同时在senet模块中增加dropout层。

18、优选地，所述s2中wdcnn模型共有5层卷积与池化层，第一层卷积核大小为64×1，除第一层外，其余卷积核的大小均为3×1。

19、优选地，所述编码器的结构依次为：稀疏全连接(sfc)层、批量归一化(bn)层、relu激活函数、全连接(fc)层、bn层、relu激活函数；所述隐藏层的结构是fc层、bn层、relu激活函数；所述解码器的结构为fc层、bn层、relu激活函数、fc层、bn层、tanh激活函数。

20、优选地，所述wsc的权重学习路径与编码器的输入端和隐藏层相连接，生成隐藏层的特征矩阵，并在隐藏层输出端连接一个wsc模块，进一步学习信号特征。

21、优选地，所述wsdae模型的损失函数融合了重构损失和稀疏性惩罚项；

22、所述重构损失采用了均方误差(mse)，其定义为：

23、

24、其中，n是样本数量，xi和分别是第i个样本的真实值和模型预测值；

25、所述稀疏性惩罚项表示为：

26、

27、其中，λ为正则化参数；

28、总损失函数定义为：

29、lwsdae＝lmse+lsparse，

30、当lmse和lsparse最小时，即λ与达到平衡时，lwsdae可以最小化，使模型达到最优。

31、本发明与现有技术相比较，具有以下有益效果：

32、本发明设计提出了一种权重跃迁模块(wsc)，加入了原始信号路径，并利用稀疏网络结构、结合bn归一化与dropout层集成到该模块中，使该路径捕捉特征权重信息，将原始信号重要特征权重进一步提高放大，便于其他深度学习网络进行特征学习。

33、本发明在wsc注意力模块的基础上，提出了一种权重降噪自编码器网络(wsdae)，在传统的稀疏降噪自编码器网络结构基础上，插入wsc模块中的特征权重路径，以提高自编码器模型特征提取的效率，并消除输入信号包含的噪声信息，提高了网络模型的泛化性能。

34、本发明通过提出一种双通道注意力机制特征融合网络(wsdae-wdcnn-senet)，利用wdcnn与wsdae两条网络通道同时对输入信号进行特征信息提取，并储存在多通道中，将平均池化层与最大池化层集成到senet模块，并对多通道的特征信息重要性进行捕获、筛选、融合，进行相关噪声实验，表明wsdae-wdcnn-senet故障诊断模型的鲁棒性与优越性。

技术特征：

1.基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于，所述诊断方法包括：

2.根据权利要求1所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于：所述滑动窗口采样中的窗口长度为2048，步长为28。

3.根据权利要求1所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于，所述s2中学习振动信号的特征的方法为：

4.根据权利要求3所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于：所述senet模块中的池化层采用平均池化获取每个通道的全局特征描述，并应用最大池化提取局部通道特征，同时在senet模块中增加dropout层。

5.根据权利要求1所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于：所述s2中wdcnn模型共有5层卷积与池化层，第一层卷积核大小为64×1，除第一层外，其余卷积核的大小均为3×1。

6.根据权利要求1所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于：所述编码器的结构依次为：稀疏全连接(sfc)层、批量归一化(bn)层、relu激活函数、全连接(fc)层、bn层、relu激活函数；所述隐藏层的结构是fc层、bn层、relu激活函数；所述解码器的结构为fc层、bn层、relu激活函数、fc层、bn层、tanh激活函数。

7.根据权利要求1所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于：所述wsc的权重学习路径与编码器的输入端和隐藏层相连接，生成隐藏层的特征矩阵，并在隐藏层输出端连接一个wsc模块，进一步学习信号特征。

8.根据权利要求1所述的基于wsdae-wdcnn-senet的轴承故障诊断方法，其特征在于：所述wsdae模型的损失函数融合了重构损失和稀疏性惩罚项；

技术总结
本发明公开了基于WSDAE‑WDCNN‑SENet的轴承故障诊断方法，涉及轴承故障诊断技术领域，所述诊断方法包括：S1：对轴承的关键振动信号进行滑动窗口采样，并划分为训练集、验证集和测试集；S2：利用WDCNN模型和WSDAE模型分别学习振动信号的特征，并使用SENet进行特征信息融合；S3：将融合后得到的特征信息输入到Softmax中进行分类诊断，生成故障诊断结果报告。本发明基于WSDAE‑WDCNN‑SENet的轴承故障诊断方法，设计提出了一种权重跃迁模块(WSC)，加入原始信号路径，并利用稀疏网络结构、结合BN归一化与Dropout层集成到该模块中，使该路径捕捉特征权重信息，将原始信号重要特征权重进一步提高放大，便于其他深度学习网络进行特征学习。

技术研发人员：钱晓飞,张淇智,郑锐,刘心报,程浩,周谧
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/4/7