一种基于权重自适应特征融合的轴承故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115753101A(43)申请公布日2023.03.07(21)申请号202210710752.1(22)申请日2022.06.22(71)申请人河北工业大学地址300000天津市北辰区双口镇西平道5340号(72)发明人刘晶梁佳杭季海鹏赵佳韩鹏(74)专利代理机构天津麦芽知识产权代理有限公司12269专利代理师李淑敏(51)Int.Cl.G01M13/045(2019.01)权利要求书2页说明书14页附图6页(54)发明名称一种基于权重自适应特征融合的轴承故障诊断方法(57)摘要本发明提供了一种基于权重自适应特征融合的轴承故障诊断方法，属于工业设备故障诊断的技术领域。该方法包括：S1、利用加速度传感器采集原始故障的一维时序性振动信号，数据归一化后对数据进行分割生成原始样本；S2、将原始样本进行时频分析，分析方法为快速傅里叶变换和连续小波变换，得到原始信号的频域数据和时频域数据；S3、构建双通道特征提取模型，得到故障的频域和时频域特征。S4、提出特征自适应加权算法，自适应地为频域和时频域特征匹配不同权重，并将加权后的特征进行融合分类；S5、分类层采用Softmax函数进行多种故障信号数据的分类，实现故障信号的精确诊断。CN115753101ACN115753101A权利要求书1/2页1.一种基于权重自适应特征融合的轴承故障诊断方法，其特征在于，包括以下步骤：S1、利用加速度传感器采集原始故障的一维时序性振动信号，数据归一化后对数据进行分割生成原始样本；S2、将原始样本进行时频分析，分析方法为快速傅里叶变换和连续小波变换，得到原始信号的频域数据和时频域数据；S3、构建双通道特征提取模型，得到故障的频域和时频域特征；其中，通道一为1D‑CNN模型通道，输入数据为原始信号经过快速傅里叶变换之后生成的频域数据，对故障的频域特征进行提取，通道二为2D‑CNN模型通道，输入数据为原始信号经过连续小波变换之后生成的时频域数据，对故障的时频域特征进行提取；S4、提出特征自适应加权算法，自适应地为频域和时频域特征匹配不同权重，实现关键特征的自适应加权，采用Concatenate机制将加权后的特征融合；S5、分类层采用Softmax函数进行多种故障信号数据的分类，实现故障信号的精确诊断。2.根据权利要求1所述的基于权重自适应特征融合的轴承故障诊断方法，其特征在于，所述步骤S3中，构建双通道特征提取模型，得到故障的频域和时频域特征，具体步骤如下：1‑1)、构建1D‑CNN神经网络通道，输入数据为原始故障信号经过快速傅里叶变换后生成的频域数据，对频域数据进行故障频域特征的提取，按照公式进行卷积层计算；cl＝f(W·xl+b)其中，xl代表输入的频域数据，cl代表输出特征向量，l代表输入样本的编号，W,b分别代表计算过程的权重和偏置向量，实现特征的非线性变换提取，f(·)表示卷积计算的激活函数Relu；1‑2)、构建2D‑CNN神经网络通道，输入数据为原始故障信号经过连续变换后生成的时频域数据，对频域数据进行故障频域特征的提取，按照公式进行卷积层计算；cl＝f(W·xl+b)其中，xl代表输入的时频图，cl代表输出特征向量，l代表输入样本的编号，W,b分别代表计算过程的权重和偏置向量，实现特征的非线性变换提取，f(·)表示卷积计算的激活函数Relu；1‑3)、将故障原始振动信号经过快速傅里叶变换和连续小波变换后生成频域数据和时频域数据分别输入通道一和通道二，提取故障的频域特征和时频域特征，为特征分类提供参数依据。3.根据权利要求1所述的基于权重自适应特征融合的轴承故障诊断方法，其特征在于，所述步骤S4中，提出特征自适应加权算法，自适应地为频域和时频域特征匹配不同权重，实现关键特征的自适应加权，采用Concatenate机制将加权后的特征融合，具体为：2‑1)、特征提取模块的输出为ω1,…,ωi,…,ωn，其中ωi为第i个特征提取通道的特征输出，ωi(k)为输出特征ωi的第k个数值，n为特征数量，由特征提取模块中的通道数决定，函数F(·)将第i个通道的输出特征ωi进行求和，得到相应的特征Fi；2CN115753101A权利要求书2/2页2‑2)、接着将获得的特征Fi通过全连接层获得输出然后通过Softmax函数获得该特征的权重αi，αi为第i个特征提取通道所提取特征的权重，通过Softmax函数将每个通道所提取特征的权重映射到(0，1)数值空间，各通道特征的权重和为1；其中n为特征数量，由特征提取模块中的通道数决定，ωi为第i个特征提取通道的特征输出；将加权融合特征作为故障诊断的依据，输入到分类层进行故障分类。3CN115753101A说明书1/14页一种基于权重自适应特征融合的轴承故障诊