CN115753101A - 一种基于权重自适应特征融合的轴承故障诊断方法 - Google Patents

Abstract

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。

Description

一种基于权重自适应特征融合的轴承故障诊断方法

技术领域

本发明涉及深度学习中双通道模型构建、特征自适应加权及工业设备 故障诊断技术领域，尤其是涉及一种基于权重自适应特征融合的轴承故障 诊断方法。

背景技术

滚动轴承被广泛应用于旋转机械中，如飞机发动机、高铁滚轮、风力 机等，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，从而导致机械 故障，因此判断轴承故障对保证旋转机械安全运行至关重要。

传统的轴承故障诊断方法主要是从信号的时域、频域和时频域3个方 面对故障原始振动信号进行分析和特征提取，通常采用数理统计分析、快 速傅里叶变换、短时傅里叶变换和小波变换等分析方法，获取原始振动信 号的峰值、均方根幅值、偏度、峰值、峭度谱、傅立叶频谱、倒频谱或包 络谱等数据特征来判别故障类型。文章[朱艳萍等.改进的经验小波变换在 滚动轴承故障诊断中的应用[J].噪声与振动控制.]提出了一种改进的经验小波变换方法，能够将振动信号分解为一系列单分量成分，使得在轴承振动 信号包络谱中能够清晰的发现故障特征，并通过对滚动轴承振动模拟信号 和实验信号的分析验证了该方法的有效性。文章[刘兆亮等.基于 CEEMDAN-FastICA的滚动轴承故障特征提取[J].组合机床与自动化加工 技术.]提出了一种将完备集合经验模态分解与快速独立分量分析相结合的 故障特征提取方法，通过在仿真信号和轴承故障实验信号上进行验证，表 明该方法可明显降低噪声和调制成分干扰，有效提取故障特征频率。基于 频谱分析的传统轴承故障诊断方法虽然已取得不错的效果，但仍存在先验 知识要求高、过度依赖复杂信号处理方法与诊断经验以及浅层分类模型难 以从少量特征中获取复杂的故障信息等问题。

深度神经网络能够有效提取振动信号深层次特征，具有不依赖先验信 息和判别能力强的特点，很好的解决了上述问题。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.A new deep learning model for fault diagnosis with good anti-noiseand domain adaptation ability on raw vibration 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.

上述的深度学习方法相比于传统的基于信号分析的诊断方法，已经极 大的减少了对专家经验的依赖，但是此类方法大多直接从轴承故障原始时 域振动信号中提取信息，存在故障诊断特征单一的问题，导致故障诊断的 精度和效率有限，因此，如何充分利用故障在不同变换域的特征，提高模 型收敛速度和故障诊断精度成为新的问题焦点。

发明内容

本发明的目的在于提供一种基于权重自适应特征融合的轴承故障诊断 方法(Bearing Fault Diagnosis Method Based on Adaptive Weight Feature Fusion，简称BFD-AWFF)，该方法首先对原始故障信号进行时频分析，得 到故障的频域信息和时频域信息，然后建立双通道特征提取网络模型，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， 克服了仅依靠单一时域数据进行诊断的传统方法存在的故障特征单一问题； 最后提出特征自适应加权算法对不同维度特征进行加权，克服了关键故障特征重要程度缺失导致的模型收敛速度较慢问题，实现特征加权融合并通 过Softmax分类器实现对轴承故障的精确识别。

本发明提供一种基于权重自适应特征融合的轴承故障诊断方法，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。

进一步的，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；

c^l＝f(W·x^l+b)

其中，x^l代表输入的频域数据，c^l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；

c^l＝f(W·x^l+b)

其中，x^l代表输入的时频图，c^l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。

进一步的，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,…,ω_i,…,ω_n，其中ω_i为第i个特征 提取通道的特征输出，ω_i(k)为输出特征ω_i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ω_i进行 求和，得到相应的特征F_i；

2-2)、接着将获得的特征F_i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α_i，α_i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，ω_i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。

进一步的，所述步骤S2中，采用加速度传感器对原始振动加速度一维 时序性数据进行采集，归一化处理后进行信号的时频分析，具体包括以下 步骤：

3-1)、将传感器采集到的原始轴承运转时的时序性信号按照统一步长进 行分段切割数据，原始轴承振动信号序列数据可以表示为如下式所示，n代 表样本数量，X^(t)代表原始样本集中的第t个样本，其中t＝1,2,…,n。

X＝[X⁽¹⁾,X⁽²⁾,…,X^(n-1),X⁽ⁿ⁾]

截取每个时间点样本序列可以表示为如下式所示。其中，t代表样本编 号，t＝1,2,…,n；d代表样本中的数据点数，

表示第t个样本中的第i个 数据点，i＝1,2,…,d。

3-2)、将时间点样本序列作为原始数据进行快速傅里叶变换之后可以得 到变换之后的序列

如下式所示：

其中，k代表原数据就经过快速傅里叶变换之后的数据点数，t代表样 本编号，

表示第t个原始样本经过快速傅里叶变换之后形成频域数据的 第i个数据点。将经过快速傅里叶变换之后的数据作为通道一的输入。

3-3)、同时将时间段样本序列原始数据进行连续小波变换，变换之后形 成的时频图

可以表示为矩阵如下式所示：

其中，t代表样本编号，a、b、c分别代表时频图的三通道数据，m代 表时频图的第一维的数据长度，n代表时频图的第二维的数据长度。

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。与 现有技术相比具备以下有益效果：

(1)、该基于权重自适应特征融合的轴承故障诊断方法，通过针对工 业互联网领域中现存的故障诊断样本均为时序性样本，故障特征单一导致 故障诊断精度受限的问题，本发明基于1D-CNN(一维卷积)神经网络和 2D-CNN(二维卷积)神经网络对特征提取模型构建和特征融合这两个过程 进行改进。该方法与传统故障诊断方法相比既增加了故障多域数据的特征 提取，又提出特征自适应加权算法实现双通道特征提取模型提取的频域和 时频域特征的自适应加权，从而解决工业领域中轴承故障诊断问题。

(2)、该基于权重自适应特征融合的轴承故障诊断方法，与基于信号 处理和深度学习的传统诊断模型相比：1)通过神经网络实现对故障数据的 特征提取分类，减少了对先验知识的依赖与诊断经验的依赖，提高故障诊 断效率；2)提出双通道特征提取网络模型，同时提取故障的频域和时频域 特征，克服了传统端到端的诊断模型存在故障特征单一的问题；3)在双通 道模型中加入Dropout层(随机丢弃)和批量归一化层，规范特征数据和避免模型出现过拟合；4)引入特征自适应加权算法，自适应地为不同维度的 特征赋予权重，提高模型的收敛速度。

(3)、该基于权重自适应特征融合的轴承故障诊断方法，通过将本发 明提出的方法应用于美国凯斯西储大学轴承故障数据集和德国帕德博恩大 学轴承故障数据集，通过试验分析，验证了提出的基于权重自适应特征融 合的轴承故障诊断方法的有效性，在两个数据集的测试集上表现出最佳准 确率99.75％和98.57％。本发明在加入特征自适应加权算法之后，模型收敛 速度有明显提升，能够实现工业领域中机械设备轴承部件的精确故障诊断。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。

图1为本发明基于权重自适应特征融合的轴承故障诊断方法的框架结 构图；

图2为本发明双通道特征提取模型的原理图；

图3为本发明特征自适应加权算法的原理图；

图4为凯斯西储大学10类轴承故障振动信号可视化；

图5为帕德博恩大学7类轴承故障振动信号可视化；

图6为凯斯西储大学正常轴承振动信号快速傅里叶变换频域数据可视 化；

图7为凯斯西储大学正常轴承振动信号连续小波变换频域数据可视化；

图8为六种模型测试集结果对比柱状图；

图9为本发明提出方法在两个数据集上训练曲线；

图10为本发明在两个数据集上的混淆矩阵；

图11为本发明融入特征自适应加权前后模型训练收敛情况对比。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附 图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本 领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变 形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、 方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还 包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、 产品或设备固有的其它步骤或单元。

请参阅图1-11，本发明实施例提供一种技术方案：一种基于权重自适 应特征融合的轴承故障诊断方法，其模型如图1所示，具体包括下述步骤：

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；

将传感器采集到的原始轴承运转时的时序性信号按照统一步长进行分 段切割数据，原始轴承振动信号序列数据可以表示为如下式所示，n代表 样本数量，X^(t)代表原始样本集中的第t个样本，其中t＝1,2,…,n。

X＝[X⁽¹⁾,X⁽²⁾,…,X^(n-1),X⁽ⁿ⁾]

截取每个时间点样本序列可以表示为如下式所示。其中，t代表样本编 号，t＝1,2,…,n；d代表样本中的数据点数，

表示第t个样本中的第i个 数据点，i＝1,2,…,d。

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；

1-2)、将时间点样本序列作为原始数据进行快速傅里叶变换之后可以得 到变换之后的序列

如下式所示：

其中，k代表原数据就经过快速傅里叶变换之后的数据点数，t代表样 本编号，

表示第t个原始样本经过快速傅里叶变换之后形成频域数据的 第i个数据点。将经过快速傅里叶变换之后的数据作为通道一的输入。

2-3)、同时将时间段样本序列原始数据进行连续小波变换，变换之后形 成的时频图

可以表示为矩阵如下式所示：

其中，t代表样本编号，a、b、c分别代表时频图的三通道数据，m代 表时频图的第一维的数据长度，n代表时频图的第二维的数据长度。

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。该 模型由输入层和特征提取层组成。输入层包含通道一的一维卷积输入和通 道二的二维卷积输入，分别接受一维频域数据和二维时频图作为输入数据； 特征提取层的两个通道均由卷积、池化、激活函数和归一化层相继堆叠组 成，最后实现对故障的频域特征和时频域特征的提取；

2-1)、输入层的输入数据为步骤S2中得到的频域和时频域数据，经 过快速傅里叶变换之后的数据作为通道一的输入，小波变换时频图作为通 道二的输入数据。输入层作为双通道模型的第一层，用来接收训练和预测 的样本。

2-2)、特征提取层分为两个通道，两个通道均由卷积、池化、激活函数 以及归一化层循环堆叠而成。特征提取层网络结构如表1所示：

表1特征提取层网络结构

表中1DCNN表示一维卷积神经网络，2DCNN表示二维卷积神经网络。

卷积层可以通过设置卷积核的不同个数和大小实现对输入数据的差异 性特征和上下文信息的提取，其计算过程如下式所示。

c^l＝f(W·x^l+b)

其中，x^l代表输入向量，c^l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。

池化层的作用是降低特征向量的维度，从而降低卷积神经网络中需要 计算的数据量，提升神经网络训练的效率。池化过程如下式所示。

P^l＝max{x^l|s(m-1)+1≤n≤sm}

其中，max{·}代表最大池化策略，x^l代表输入向量，l代表输入样本的 编号，m,n为x^l对应的pool(池化)核覆盖的区域，s为无重叠段长度，P^l表 示池化后的特征矢量。

激活函数层采用Relu函数作为激活函数，可以有效地抑制梯度消失的 问题，加快模型寻找全局最优解的过程，计算过程如下式所示。

其中，x^l代表输入向量，R^l表示激活后的特征向量，l代表输入样本的 编号，

代表激活操作，max(·)代表取最大值函数。

最后经过批归一化(BN)层，将隐含层中的输入变换到标准的正态分 布，这样人为的改变特征的分布，抑制了梯度消失和训练过程中的过拟合 问题。交替的多个卷积池化层实现对输入信号非线性特征的层级式提取。

S4、提出特征自适应加权算法，算法借鉴注意力机制，自适应地为频 域和时频域特征匹配不同权重，实现高精度故障诊断分类，特征自适应加 权融合过程如图3所示；

设特征提取模块的输出为ω₁,…,ω_i,…,ω_n，其中ω_i为第i个特征提取 通道的特征输出，ω_i(k)为输出特征ω_i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ω_i进行求和， 得到相应的特征F_i,如下式所示。

将获得的特征F_i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α_i，α_i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，计算过程如下式所示。

所以，根据上两式，加权之后的特征

和融合特征

可表示为：

其中n为特征数量，由特征提取模块中的通道数决定，ω_i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，作为步骤S5的输入。

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。

分类层由3个全连接网络层组成，其中第一层全连接网络将加权之后 的特征进行展平操作，即将所有加权特征矢量首尾连接组成一维向量；第 二层全连接网络实现对融合之后的特征降维；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。 Softmax回归模型是逻辑回归模型在多类分类问题的推广，类标签Y具有向 量形式，表明当前样本的类别在所有可能类别中的分布概率。采用Softmax分类器得到轴承故障振动加速度时序信号属于各个类别的概率分布，如下 式所示。

其中m代表分类输出层单元个数，即故障信号的类别数，W代表全连 接层的权重向量，b代表偏置向量，x表示经过全连接层之后的输出的特征， y_i表示分到某一类的概率，i＝1,2,…,m。

基于上述步骤，本发明有效解决传统的轴承故障诊断方法大多基于原 始时域信号进行特征提取，存在的故障特征单一的问题。该发明由特征提 取和特征加权融合分类两个部分组成。在特征提取部分，为了获取故障的 多方面特征和差异性故障信息，解决原始时域信号中特征单一的问题，提 出双通道特征提取模型，首先对原始数据进行快速傅里叶变换和小波变换， 突出原始信号中主要的故障特征，其次利用该模型对经过时频分析的数据 同时提取故障的频域特征和时频域特征，更好的挖掘隐藏的故障信息进行 诊断；在特征加权融合分类部分，针对特征融合过程中，关键故障特征重 要性缺失导致模型收敛速度较慢的问题，提出特征自适应加权算法，实现 特征动态自适应加权，加快模型收敛速度。本发明可以有效地提取故障特 征并保持优异的诊断准确率，同时有效地提高了模型的收敛速度。

本发明基于权重自适应特征融合的轴承故障诊断方法的试验验证：

1、试验数据集与试验平台

试验数据集采用美国凯斯西储大学(Case Western Reserve University， 简称CWRU)电气工程实验室的轴承故障数据集和德国帕德博恩大学 (Paderborn University，简称PU)机械工程学院的轴承故障数据集进行实 验，验证本发明的有效性。

凯斯西储大学(CWRU)轴承数据实验台采样位置分为电机驱动端 (Driver End)和风扇端(Fan End)，驱动端采用型号为6205-2RS JEM SKF 深沟球轴承，风扇端采用型号为6203-2RS JEM SKF深沟球轴承，振动数据 的采样频率分为12kHz和48kHz。使用电火花加工技术分别对置于驱动端 和风扇段的轴承内圈(Inner Raceway，IR)、滚动体(Ball，BO)和轴承外 圈(Outer Raceway，OR)三个位置人为设置不同等级的单点故障，故障尺 寸分别为0.007inch、0.014inch和0.021inch。四种不同的负载为0hp，1hp， 2hp，3hp。本发明试验样本选取0hp下10种故障状态振动信号，其中包含 一种正常状态(Normal)，采样频率为48kHz，每类样本进行分割实现样本 集扩容生成，CWRU数据集的具体实验样本信息如表2所示。

表2 CWRU轴承故障实验样本信息

帕德博恩大学(PU)轴承数据集是一个6203轴承数据集，采用压电加速 度计采集轴承座的振动信号，采样频率为64kHz，相比于CWRU轴承数据 集，该数据集的测试轴承故障既包含人工模拟损伤也包含真实损伤，人工 损伤主要通过电火花(裂纹)、钻孔(剥落)和电动雕刻机(点蚀)形成； 真实损伤轴承通过加速寿命试验台得到。实验包含三种运行条件：驱动系 统的转速、测试轴承上的径向力以及驱动系统上的负载扭矩。本发明选取 的实验数据为真实损伤下的轴承数据，轴承实验运行条件为：转速为 1500rpm，负载力为1000N，负载扭矩为0.7Nm，轴承故障分为单点损伤 (Single damage，S)和多点损伤(Multipledamage，M)；故障发生的位置 分为轴承的内圈(Inner Raceway，IR)和外圈(OuterRaceway，OR)；故 障类型分为疲劳点蚀(Fatigue Pitting，FP)和压痕(Indentation，IN)。选 取其中的七种故障类别(包含一种正常轴承状态)数据进行试验，PU轴承 数据集的具体实验样本信息如表3所示。

表3 PU轴承故障实验样本信息

运行试验的计算机配置信息：CPU为Intel(R)Core(TM)i7-11800H，运 行内存为DDR4 3200MHz 16G，显卡为NVIDIAGeForce RTX 3060 6G，编 程语言为python3.7，深度学习框架为pytorch 1.10.1。

2、样本生成与时频分析

本小节对数据集划分以及变换域数据生成方法进行介绍。首先对实 验数据进行划分，将正常及各种故障类型的时间序列数据进行等间隔分割， 每段数据样例长度为864，作为制作训练集、验证集以及测试集的原始样本 数据，划分训练集、验证集和测试集的比例为7：2：1。相邻数据样本存在 重叠部分，重叠部分的数据点长度为28，以达到数据增强的目的，增加训 练样本的数量，保证故障类别样本均衡，每类故障样本生成数量为200；对CWRU轴承数据集中选取的10类故障和PU轴承数据集中选取的7类故障 进行信号可视化，如图4和图5所示。

由图4和图5对比可知，两个数据集的故障类型不相同，轴承故障振 动数据表现出的周期性特点和振动振幅特点也不相同，即每类故障振动数 据都有自己的故障特征。在CWRU轴承数据集故障信号可视化中可以看出： 内圈、外圈、滚动体三种不同故障位置、相同故障位置不同损伤直径的振 动信号之间存在周期和振幅差异；在PU轴承数据集故障信号可视化中可以 看出:单故障和多故障的振动信号之间、内圈和外圈故障的振动信号之间存在波形以及振幅的差异。

将原始信号数据集随机划分为训练集、验证集和测试集之后，对数据 集进行快速傅里叶变换和小波变换，获取轴承故障原始振动信号中的频域 和时频域特征，其中Morlet小波与典型的冲击产生的瞬态具有相似性，Cmor 小波属于复Morlet小波的一种，因此选择Cmor小波作为小波函数对轴承 故障振动信号进行分析，可以更好的表征振动信号在时频域上的特征。设 置采样频率为F_S＝48000Hz，在每个样本数据中有864个数据点。以CWRU 数据集中的正常(Normal)轴承的振动信号进行快速傅里叶变换和连续小 波变换为例，获得一维频域数据和二维时频图进行可视化，如图6和图7 所示。将频域数据和时频图按照故障类别打上标签之后，作为特征提取模 块的输入数据用来进行训练、验证和测试。将时频分析之后的数据输入到 构建的双通道模型中进行特征提取，在训练过程中观察模型验证精度和损 失的变化过程。当迭代训练轮次Epoch＝200时停止训练，并保存训练模 型的参数。加载保存的模型对测试集数据进行诊断，计算分类结果，得到 诊断准确率。

3、模型对比试验

为验证本发明的有效性，构建6种模型实现对轴承故障诊断的对比试 验，其中Model6为本发明提出的模型，各个模型的结构及输入如表4所示。

表4对比实验模型及输入数据

模型训练采用Adam优化器，初始参数学习率设置为0.001。设置模型 的训练次数为200，记录训练过程中准确率和损失值，并将训练结束模型中 的参数保存作为训练模型的最终参数。训练过程的超参数设置如表5所示。

表5模型训练超参数

实验使用的性能指标：(1)训练集准确率(Train-acc)——模型训练轮 次到200时，在训练集上的准确率；(2)验证集准确率(Valid-acc)——模 型训练轮次到200时，在验证集上的准确率，对比训练集准确率和验证集 准确率可以得到模型过拟合情况；(3)测试集准确率(Test-acc)——训练 完成的模型在测试集上的准确率，得到训练完成模型的效果。其中，准确 率(Accurancy)表示模型预测类别正确的样本数量占总样本数量的百分比。对表5中提到的6种模型在CWRU和PU两个数据集上进行10次重复实验， 对比分析相应性能指标的平均值，实验结果如表6所示。

表6模型结果对比

表6展示了6个模型在两个数据集上的表现，根据该表可知本发明提 出的方法在训练集、验证集以及测试集中都有最好的准确率。六个模型在 两个数据集的测试集上的准确率和损失值如图8所示。

由表6以及图8可知，相比于其他模型，本发明提出的方法在CWRU 轴承数据集(左图)、PU轴承数据集(右图)、验证集以及测试集中都有最 好的准确率。其中Model1、Model2和Model3为单通道模型，Model1的输 入数据为原始振动数据，在训练集和验证集上的准确率有较大的差异，且 在两个测试集上的诊断精度较低，分别为85.00％和84.28％；将原始振动数 据经过快速傅里叶变换和小波变换之后，分别作为Model2和Model3的输 入数据，可以看到Model2和Model3的准确率相比于Model1有提升，Model2 在两个测试集上的准确率分别达到了97.50％和96.42％，Model3在两个测 试集上的准确率分别达到99.50％和95.71％，所以由此可以证明，快速傅里 叶变换和小波变换对于提取原始数据中的故障特征均有较好的表现。 Model4、Model5和Model6为双通道模型，Model6为本发明方法，两个通道输入的数据分别为原始振动数据经过快速傅里叶变换之后的频域数据和 小波变换之后的时频图，该模型在训练过程中训练集和验证集上的准确率 差异很小，在测试集上有6个模型中最高的诊断精度，达到99.75％和98.57％； Model4的两个通道输入的数据分别为原始振动数据和快速傅里叶变换之后 的频域数据，虽然训练过程中的准确率曲线也有较好的稳定性，但在测试 集上的准确率表现不如Model6；Model5的两个通道输入的数据分别为原始 振动数据和经过小波变换之后的时频图，但是准确率曲线波动很大，在训 练集和验证集上的准确率有较大的差异，并且在测试集上的诊断精度较低。 Model6在两个数据集上的训练过程准确率曲线、分类混淆矩阵如图9和图 10所示。

由图9训练曲线可得出，本发明所提方法在训练过程中，训练集准确 率曲线和验证集准确率曲线基本保持一致，模型具有较好的收敛性，在 CWRU轴承数据集上(左图)，当训练轮次Epoch＝25时，模型达到稳定； 在PU轴承数据集上(右图)，当训练轮次Epoch＝60时，模型达到稳定。 在图10的测试集数据混淆矩阵中，横轴代表样本预测类别，纵轴代表样本 类别，斜对角线数据则代表模型预测的准确率，所以由图可知，本发明所 提方法在CWRU轴承数据集上(左图)和PU轴承数据集上(右图)有着 较高的诊断精度，均能达到98％以上。根据本小节的实验结果可以证明， 本发明所提方法可以有效的提取轴承故障的频域特征和时频域特征，并对 故障特征进行自适应加权融合诊断。

4、特征加权融合对比实验

为验证特征自适应加权模块在本发明提出整体方法中起到的作用，对 该模块进行消融对比试验。本节中的实验数据采用CWRU轴承数据集和PU 数据集，对本发明提出的基于权重自适应特征融合的轴承故障诊断方法 (Bearing Fault Diagnosis Method Basedon Adaptive Weight Feature Fusion， 简称BFD-AWFF)和无特征自适应加权的BFD-AWFF(BFD-AWFF with Non Feature Adaptive Weighting，简称BFD-AWFF-NA)方法进行对比实验，两 个方法在两个数据集上的表现如表7所示。

表7模型结果对比

由表7可知，BFD-AWFF方法相比于缺少特征自适应加权的 BFD-AWFF-NA方法在两个数据集上具有更高的分类准确率，在CWRU数 据集上，虽然训练集和验证集准确率相同，但在测试集上有更高的准确率， 提高了0.25％；在PU数据集上，训练集、验证集和测试集上准确率均有提 高，分别提高了3.67％，7.5％和3.57％。为了更好的说明特征自适应加权模块对模型训练过程中模型收敛速度的影响，将BFD-AWFF方法和 BFD-AWFF-NA方法在两个数据集上的训练过程的准确率曲线进行对比， 如图11所示。

由图11对比可知，在CWRU数据集上(左图)，添加特征自适应加 权融合模块的BFD-AWFF方法训练Epoch＝20次后达到相对稳定，缺少 特征自适应加权融合模块的BFD-AWFF-NA方法训练Epoch＝30次后达 到较平稳状态；在PU数据集上(右图)，BFD-AWFF方法训练Epoch＝70次 后达到相对稳定，缺少特征自适应加权融合模块的BFD-AWFF-NA方法训 练Epoch＝100次后达到较平稳状态。

经过对比试验，本发明提出的BFD-AWFF方法通过在特征融合时加 入特征自适应加权算法，使得该方法可以在两个数据集上具有最好的表现， 测试集准确率分别为99.75％和98.57％；同时通过对关键故障特征赋予较高 的权重，使得模型训练的收敛速度有明显提升。证明特征自适应加权算法 针对特征提取模块提取的特征的重要程度高低赋予权重，实现故障特征更 有效的融合从而加快模型收敛速度，提高故障诊断效果。

4、结论

传统的轴承故障诊断方法大多基于原始时域信号进行特征提取，仅利 用时域特征进行诊断，存在故障特征单一的问题。针对上述问题，本发明 提出一种基于权重自适应特征融合的轴承故障诊断方法，该方法由特征提 取和特征加权融合分类两个部分组成。在特征提取部分，为了获取故障的 多方面特征和差异性故障信息，解决原始时域信号中特征单一的问题，提 出双通道特征提取模型，首先对原始数据进行快速傅里叶变换和小波变换， 突出原始信号中主要的故障特征，其次利用该模型对经过时频分析的数据 同时提取故障的频域特征和时频域特征，更好的挖掘隐藏的故障信息进行 诊断；在特征加权融合分类部分，针对特征融合过程中，关键故障特征重 要性缺失导致模型收敛速度较慢的问题，提出特征自适应加权算法，实现 特征动态自适应加权，加快模型收敛速度。最后，通过美国凯斯西储大学 轴承数据集和德国帕德博恩大学轴承数据集对本发明提出的方法进行实验验证，证明了该发明可以有效地提取故障特征并保持优异的诊断准确率， 同时证明特征自适应加权算法可以有效地加快模型的收敛速度。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使 用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发 明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储 介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服 务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称 RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用 以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于 此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围 内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变 化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。都应涵盖 在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护 范围为准。

Claims (3)

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；

c^l＝f(W·x^l+b)

其中，x^l代表输入的频域数据，c^l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；

c^l＝f(W·x^l+b)

其中，x^l代表输入的时频图，c^l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,…,ω_i,…,ω_n，其中ω_i为第i个特征提取通道的特征输出，ω_i(k)为输出特征ω_i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ω_i进行求和，得到相应的特征F_i；

2-2)、接着将获得的特征F_i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α_i，α_i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，ω_i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。

Images