基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法

本发明涉及电梯生产制造与运行阶段的零部件故障监测领域，具体涉及一种基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法。

背景技术：

1、随着数字化与智能化技术的发展，基于小波特征提取的故障诊断方法在性能上得到了巨大的改善，并广泛应用于诸多领域。与此同时，伴随着城市现代化建设，电梯成为人们日常生活中不可或缺的承运设备，其运行状态的可靠性深受乘客、生产厂商、研究机构的关注。由于电梯整机设备是一个复杂的集成系统，通过整机机理建模方法来诊断故障存在严重的滞后性。为此，基于电梯轴承等零部件振动信号来设计故障诊断方法对电梯设备的状态监测、可靠运行、承运安全等方面具有重要意义。在此背景下，基于数据频率特征提取与深度学习相结合的模型框架成为主流方法被广泛研究。目前，主流的振动信号时频特征提取方法包括小波包分解、经验模态分解和经验小波变换，它们的都是将目标信号分解为不同频率模态的子信号以作为网络的输入特征。然而，现有这些方法在设计信号分解时存在如下明显的缺陷：a).小波包变换是以递进方式对信号进行分解，无法提取某一个准确频带内的特征；b).经验模态分解不存在理论可解释性，分解后的子信号没有实际的物理意义，且数量不可控；c).经验小波变化子带滤波器的确定不遵循单一变量原则，受信号快速傅立叶变换频域的极值点影响。因此，设计一种新型有效的振动信号时频特征提取方法，对提高电梯轴承部件故障诊断准确性具有重要意义。

技术实现思路

1、本发明针对电梯轴承零部件潜在的故障状态监测需求，提出了一种基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法。针对现有技术在信号特征提取中存在的缺陷，设计改进型经验小波方法提取振动信号在固定频段的特征信息，进而通过构建全分量小波卷积神经网络实现电梯轴承部件的状态监测。

2、一种基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法，包括如下步骤：

3、步骤1：采用传感器采集电梯轴承零部件振动信号，并进行数据预处理，得到统一格式的样本数据；

4、步骤2：利用经验小波变换设计固定的多通道带通滤波器，进而将步骤1获得的统一格式的样本数据分解为多个不同频率的子信号，在多个不同频率的子信号中频率最高的子信号作为噪声信号；

5、步骤3：对步骤2获得的多个不同频率的子信号进行滤波，滤除噪声信号，得到待重构的子信号，将待重构的子信号经过经验小波变换重构，将重构后的子信号作为样本集合；

6、步骤4：基于小波包分解技术设计多级残差深度卷积神经网络；

7、步骤5：基于步骤4的多级残差深度卷积神经网络，将步骤3获得的样本集合作为深度卷积神经网络的多级残差模块的输入，对应的故障状态标签作为多级残差深度卷积神经网络的目标输出，进行训练从而得到电梯轴承部件故障诊断模型；

8、步骤6：实时采集电梯轴承部件的振动信号，输入到步骤5获得的电梯轴承部件故障诊断模型，诊断电梯的当前健康状态。

9、步骤1中，所述的数据预处理包括：样本长度的标准化和归一化。

10、步骤2中，利用经验小波变换设计固定的多通道带通滤波器，具体包括：滤波器的带宽为如下公式：

11、

12、滤波器的边界如下公式：

13、

14、其中b表示带宽，n表示带通滤波器数量，w0表示滤波器0的边界，w1表示滤波器1的边界，wn表示滤波器n的边界，wn表示滤波器n的边界。

15、步骤3中，对步骤2获得的多个不同频率的子信号进行滤波，滤除噪声信号，具体包括：

16、通过卷积运算将步骤2获得的多个不同频率的子信号s分解为n-1个子信号和噪声信号，公式如下：

17、

18、其中，s(t)为t时刻的原始信号，s0是子信号0，s1是子信号1，sn-1是子信号n-1，sn是子信号n，snoise是噪声信号；ws(0，t)表示子信号0的小波系数，φ1(t)表示尺度函数，ws(n，t)表示子信号n对应的小波系数，ψn(t)表示子信号n对应的小波函数，ws(n，t)表示子信号n对应的小波系数，ψn(t)表示子信号n对应的小波函数。

19、步骤4中，基于小波包分解技术设计深度卷积神经网络的全分量多级残差模块，具体包括：

20、通过小波包技术对重构子信号进行一级分解，得到多个不同频率的子信号，并通过反向传播神经网络算法组合所有子信号，得到一级残差模块。

21、通过小波包技术对重构子信号进行二级分解，得到多个不同频率的子信号，并通过反向传播神经网络算法组合所有子信号，得到二级残差模块。

22、通过小波包技术对重构子信号进行多级分解，得到多个不同频率的子信号，并通过反向传播神经网络算法组合所有子信号，得到多级残差模块。

23、将小波分解后得到的子信号看作一个分量，所述的全分量是将全部分量作为残差模块的输入。

24、为实现上述目标，本发明所设计的技术方案包括数据特征重组阶段和深度学习阶段，具体如下：

25、数据特征重组阶段：

26、步骤1：采用同一采样频率的传感器采集电梯轴承零部件振动信号，并对其进行数据预处理；

27、步骤2：利用经验小波架构设计固定的多通道带通滤波器，进而将振动信号分解为多个不同频率的子信号，并设置最后一个高频通道为噪声滤波器；

28、步骤3：滤除高频噪声通道的子信号，重组其他带通滤波器获得的子信号作为神经网络输入的样本集合；

29、深度学习阶段：

30、步骤4：基于全分量小波包分解技术设计深度卷积神经网络的多级残差模块；

31、步骤5：基于步骤4的多级残差模块构建电梯轴承部件深度卷积神经网络模型，将步骤3获得的样本集合作为电梯轴承部件深度卷积神经网络模型的输入，对应的故障状态标签作为该网络模型的目标输出，对电梯轴承部件深度卷积神经网络进行训练从而得到最终模型；

32、步骤6：实时采集电梯轴承部件的振动信号，利用步骤1对信号执行预处理，进而通过步骤2的固定多通道信号分解，然后利用步骤3实现信号的滤波与特征重组，最后将重组后的特征输入步骤5训练生成的电梯轴承部件深度卷积神经网络模型，诊断电梯的当前健康状态。

33、与已有的方法比较，本发明的优势效果主要体现在：

34、本发明提出了一种基于改进经验小波与全分量卷积神经网络相结合的电梯轴承部件故障诊断方法；采集电梯相同部位轴承零部件振动信号，并进行相关的数据预处理操作以构造初步样本集合；利用固定频带的经验小波滤波器组，提取不同频率的子信号，去噪并重组子信号以构造直接训练集合；然后，将重构后的样本输入小波包全分量深度卷积神经网络模型，用于电梯轴承等零部件等故障诊断。本发明通过振动信号的故障建模，使得本方法可以进行多种部署加速度传感器的电梯零部件故障诊断。本发明提出了多级小波包全分量残差模块，减少了信号下采样时信息的丢失。