一种基于多尺度特征融合的非平衡样本轴承故障诊断方法

本发明涉及轴承故障诊断，尤其是涉及一种基于多尺度特征融合的非平衡样本轴承故障诊断方法。

背景技术：

1、轴承作为一种支撑转动部件广泛应用于旋转机械中，其运行状态对整个旋转机械的性能有着重要影响。在旋转机械运行过程中，轴承可能会在运行过程中而受到局部的表面损坏导致机械故障。因此，判断轴承故障对保证机械安全运行至关重要。

2、现有的滚动轴承故障诊断方法大多通过人工手段提取故障特征，然后使用分类模型进行故障识别，其过于依赖专家经验和信号处理相关知识。传统的人工神经网络由于具有非线性、自学习、自适应性强等优点，被广泛应用于模式识别中。虽然取得了不错的效果，但存在收敛速度慢、预测精度不够等先天缺点。近年来，以大数据为背景的深度学习方法在目标检测、语义分割和图像分类等任务上取得了迅猛发展。在故障诊断领域，越来越多的学者也将深度学习方法应用于滚动轴承的状态监测，并且取得了不错的故障诊断效果。深度神经网络很好地解决了特征提取、学习等问题，而且深度神经网络泛化能力强、判别精度高。例如文章[庄雨璇等.基于lstm的轴承故障诊断端到端方法[j].噪声与振动控制.]提出基于lstm的轴承故障端到端的诊断方法，能够有效提取轴承振动信号的时间和空间特征，提高了轴承故障诊断的精度；文章[雷亚国等.基于深度学习理论的机械装备大数据健康监测方法[j].机械工程学报.]提出一种基于深度置信神经网络的轴承故障诊断算法，实现了变工况、多样本下齿轮传动系统的故障诊断。文章[zhang w等.anew deep learning modelfor fault diagnosis with good anti-noise and domain adaptation ability on rawvibration signals[j].sensors.]提出利用一维卷积神经网络的一种端对端的滚动轴承故障诊断算法，能够有效诊断轴承在不同负载和不同噪声环境下的故障状态。

3、上述的深度学习方法相比于基于信号分析的诊断方法和基于浅层分类模型的诊断方法，已经极大的减少了对专家经验的依赖，并具有挖掘深层故障特征的能力，此类方法在具有充足且数量平衡的故障样本进行训练时，均可保持较高的诊断精度。但是由于轴承的工作状态、运行环境和承载任务不同，每类轴承故障状态收集的数据样本数量可能出现差异，所以会出现样本数量不平衡的情况。在训练样本数量不平衡的情况下，训练模型会导致模型失衡的问题，使模型诊断结果更偏向于多数样本类别，降低诊断模型的泛化性。因此需要改进模型训练过程，减少样本数量不平衡产生的影响。

技术实现思路

1、本发明的目的在于提供一种基于多尺度特征融合的非平衡样本轴承故障诊断方法，减少了现有技术中存在的轴承诊断过程中样本数量不平衡的技术问题。

2、本发明提供的一种基于多尺度特征融合的非平衡样本轴承故障诊断方法，包括：利用加速度传感器采集故障的时序性振动信号，数据归一化后进行分割得到原始样本；

3、将分割后原始样本进行连续小波变换，得到原始信号的时频域数据；

4、构建vae-gan样本生成模型，将原始样本经过连续小波变换后的时频域数据对应的时频图输入vae-gan样本生成模型进行训练，利用训练好的模型生成对应类别的伪样本，将生成的伪样本混合到真实样本；

5、设计多尺度特征提取模型实现故障特征的提取，并利用通道注意力机制实现特征的加权融合，进行轴承故障状态识别。

6、进一步的，一种基于多尺度特征融合的非平衡样本轴承故障诊断方法，还包括：分类层利用softmax分类器输出轴承故障的诊断结果。

7、进一步的，所述利用加速度传感器采集故障的时序性振动信号，数据归一化后进行分割得到原始样本的步骤，包括：

8、将原始时序振动信号按照统一步长进行分段切割；

9、截取每个时间点样本序列；

10、将样本序列原始数据进行连续小波变换。

11、进一步的，所述构建vae-gan样本生成模型，将原始样本经过连续小波变换后的时频域数据对应的时频图输入vae-gan样本生成模型进行训练，利用训练好的模型生成对应类别的伪样本，将生成的伪样本混合到真实样本的步骤，包括：构建编码网络、构建生成网络和构建判别网络；

12、所述构建编码网络，输入数据为故障原始振动信号经过连续小波变换后快后生成的小波时频图，编码网络由三组二维卷积神经网络层组成，按照公式(1)进行训练损失函数的计算；

13、

14、其中，le为编码网络损失值，μ和σ分别代表编码网络输出参数，n(0,1)为标准正态分布，kl(·)为kl散度；

15、所述构建生成网络，将输入的低维编码向量通过反卷积逐层进行特征重建，生成与真实样本尺寸相同的新样本；按照公式(2)和公式(3)进行训练损失函数的计算；

16、z＝μ1+e×σ1(2)

17、lg＝log2(1-d(g(z)))+||dl(x)-dl(g(z))||2   (3)

18、其中，lg为生成网络损失值；z代表编码向量；μ1和σ1分别为编码网络对原始样本进行编码之后映射的样本均值和标准差；e为高斯噪声，并为正态分布；g(z)为生成的样本，d(g(z))为判别网络将输入数据判断为真实样本的概率；di(x)为判别网络第l层输出的特征向量，x为输入的真实样本；

19、所述构建判别网络，判别网络由3个卷积层和2个全连接层组成，每个卷积层后面加入了批标准化层，判别网络将输入的真实样本和生成网络生成的样本进行特征提取和降维，最后通过sigmoid激活后输出真伪标签，按照公式(4)进行训练损失函数的计算；

20、ld＝log2 d(x)+log2(1-d(g(z1)))  (4)

21、其中，ld为判别网络损失值，z1为由μ1和σ1采样合成的隐变量；g(z1)为生成的样本；d(g(z1))为判别网络将输入数据判断为真实样本的概率。

22、进一步的，设计多尺度特征提取模型实现故障特征的提取，并利用通道注意力机制实现特征的加权融合，进行轴承故障状态识别步骤，包括：构建多尺度特征提取模型进行特征提取和构建基于通道注意力机制的特征加权模块；

23、所述构建多尺度特征提取模型进行特征提取，通过设置不同大小卷积核和不同深度的网络分支来对故障特征进行提取，得到多尺度特征，按照公式(5)进行特征提取与叠加：

24、f＝f(w1×α+γ1)⊕f(w2×α+γ2)⊕f(w3×α+γ3)⊕f(w4×α+γ4)(5)

25、其中，α为输入的时序图，f为输出特征向量，w1、w2、w3、w4为不同尺度分支的卷积权重，γ1、γ2、γ3、γ4为不同尺度分支的偏置向量，实现特征的非线性变换提取，f(j)表示卷积计算的激活函数relu，j代表公式(5)中的对应参数，⊕代表特征的叠加操作；

26、所述构建基于通道注意力机制的特征加权模块，引入通道注意力机制，对输入的多尺度特征数据进行全局平均池化得到一个权重向量，将原始通道输入的全部元素值与对应通道权重值逐一相乘，得到新的加权特征，将加权特征作为故障诊断的依据，输入到分类层进行故障分类。

27、进一步的，所述分类层利用softmax分类器输出轴承故障的诊断结果的步骤，分类层由3个全连接网络层组成；

28、第一层全连接网络将加权之后的特征进行展平操作，将所有加权特征矢量首尾连接组成一维向量；

29、第二层全连接网络实现对融合之后的特征降维；

30、第三层全连接网络的输出个数与故障类别数目保持一致，利用softmax分类器实现目标输出类别。

31、本发明提供的一种基于多尺度特征融合的非平衡样本轴承故障诊断方法，该方法首先对原始故障信号进行连续小波变换，得到故障的时频域信息，然后建立vae-gan样本生成模型，利用该模型实现少样本故障类的样本生成，实现样本的平衡化扩充，分别对频域特征和时频域特征进行提取，得到原始故障的频域时频域特征，克服了训练样本数量不平衡导致诊断模型训练失衡的问题；最后提出多尺度特征融合故障诊断模型(multi-scalefeature fusion fault diagnosis model，msffdnet)进行轴承故障的特征提取和状态识别，克服了单一尺度卷积层对小波时频图中故障特征提取导致特征缺失的问题，并通过softmax分类器实现对轴承故障的精确识别。