(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111672334.X (22)申请日 2021.12.31 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 陆宝春　吴连申　翁朝阳　叶邵鹏　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 汪清 (51)Int.Cl. G01M 13/045(2019.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种强噪声环境下的滚动轴承故障诊断方 法及系统 (57)摘要 本发明公开了一种强噪声环境下的滚动轴 承故障诊断方法及系统， 采用深度学习进行轴承 故障诊断， 神经网络模型由随机采样层、 结合 SENet的CNN全局型特征提取器、 基于CNN的高维 特征提取器、 基于GRU的特征分类器、 全 连接层和 softmax层构成。 将归一化后的训练数据输入到 神经网络模 型中， 由随机采样层对其随机采样以 增加模型的抗干扰性， 采用结合SENet的CNN全局 型特征提取器来提取全局型的故障特征， 由基于 CNN的高维特征提取器将其抽象成更高维的特 征， 采用基于GRU的特征分类器来加强特征表现 能力， 由全连接层以及Softmax层得到故障类别 诊断结果。 能够克服噪声干扰， 对多种载荷下的 滚动轴承信号进行诊断。 权利要求书3页 说明书7页 附图3页 CN 114459760 A 2022.05.10 CN 114459760 A 1.一种强噪声环境下的滚动轴承故障诊断方法， 其特 征在于， 包括以下步骤： S1:以采样频率fs采集无故障和不同故 障类型以及不同故 障程度的轴承在不同负载下 的振动加速度信号xi,j； S2： 对采集的振动加速度信号xi,j进行归一化处理得到归一化后的振动加速度信号 并按照故障类型以及故障程度为归一 化后的振动加速度信号设置深度学习的训练标签； S3： 构建神经网络模型， 包括： 随机采样层、 结合SENet的CNN全局型特征提取器、 基于 CNN的高维特征提取器、 基于GRU的特征分类器、 全连接层和Softmax层； 归一化后的样本依 次经过随机采样层、 结合SENet的CNN全局型特征提取器、 基于CNN的高维特征提取器、 基于 GRU的特征分类器和全 连接层的处理， 最后通过Softmax层输出以得到结果标签； 其中， 所述 随机采样层用于增加受到模拟噪声干扰的训练数据； 结合S ENet的CNN全局型特征提取器用 于提取全局型故障特征； 基于CNN的高维特征提取器用于从提取 的全局型故障特征中抽象 出高维故障特征； 基于 GRU的特征分类器用于对基于CNN的高维特征提取器提取的特征进 行 聚类； S4： 将步骤S2处理过后的归 一化后的振动加速度信号 以及对应的训练标签输入到步 骤S3中的神经网络模型中进行训练； S5： 采用与步骤S1中相同采样频率fs采集当前设备滚动轴承的振动数据得到待测 振动 加速度信号Xi,j； S6： 按照步骤S2对待测振动加速度信号Xi,j进行归一化处理得到归一化后的测试数据 将归一化后的测试数据 输入到步骤S4所述的训练好的模型中， 诊断出当前轴 承的 故障状态。 2.根据权利要求1所述的滚动轴承故障诊断方法， 其特征在于， 所述步骤S3 中随机采样 层是采用服从概率为p的伯努利分布的随机采样， 其中p在每个训练周期取一个0.5到1之间 的随机值， 为保持数据长度， 未被采样的数据原地置 0。 3.根据权利要求1所述的滚动轴承故障诊断方法， 其特征在于， 所述步骤S3中结合 SENet的CNN全局型特征提取器由一个CNN特征提取器和一个SENet组成； CNN提取器由一个 卷积层、 一个AdaBN层和一个ELU激活层依次组成， 其中AdaBN层能够对 卷积层结果进行标准 化操作， 标准 化公式为： 式中： x(k)为AdaBN层的输入， γ(k)、 β(k)为AdaBN层的缩放与偏置参数， y(k)为AdaBN层的 输出， 其中γ(k)、 β(k)在训练模式下是自主学习训练的参数， 在测试模式下用该参数来更新 测试数据 的分布； SE Net由一个全局平均池化层， 一个全连接层， 一个ELU 激活层， 一个全 连接层和一个Sigmoi d激活层依次组成； SENet的输入为CNN特征提取器的输出， 结合SENet 的CNN全局型特征提取器的输出为SENet和CN N特征提取器的输出的乘积。 4.根据权利要求1所述的滚动轴承故障诊断方法， 其特征在于， 所述步骤S3中基于CNN权　利　要　求　书 1/3 页 2 CN 114459760 A 2的高维特征提取器是由多个CNN特征提取器组成， 每个CNN特征提取器由一个卷积层、 一个 AdaBN层、 一个ELU激活层和一个最大池化层依次组成。 5.根据权利要求1所述的滚动轴承故障诊断方法， 其特征在于， 所述步骤S3中基于GRU 的特征分类器是由多个GRU层堆叠而成， 最后一个GRU层的最后一个时间步作为基于GRU的 特征分类器的输出。 6.一种强噪声环境下的滚动轴承故障诊断系统， 其特 征在于， 包括： 信号采集模块， 用于以采样频率fs采集无故 障和不同故障类型以及不同故 障程度的轴 承在不同负载 下的振动加速度信号xi,j； 归一化处理处理模块， 用于对采集的振动加速度信号xi,j进行归一化处理得到归一化 后的振动加速度信号 训练标签设置模块， 用于并按照故障类型以及故障程度为归一化后的振动加速度信号 设置深度学习的训练标签； 神经网络训练模块， 包括： 随机采样层、 结合SENet的CNN全局型特征提取器、 基于CNN的 高维特征提取器、 基于GRU的特征分类器、 全连接层和Softmax层； 归一化后的样 本依次经过 随机采样层、 结合SENet的CNN全局型特征提取器、 基于CNN的高维特征提取器、 基于 GRU的特 征分类器和全连接层的处理， 最后通过Softmax层输出以得到结果标签； 其中， 所述随机采 样层用于增加受到模拟噪声干扰的训练数据； 结合SENet的CNN全局型特征提取器用于提取 全局型故障特征； 基于CNN的高维特征提取器用于从提取 的全局型故障特征中抽象出高维 故障特征； 基于GRU的特 征分类器用于对基于 CNN的高维特 征提取器提取的特 征进行聚类。 7.根据权利要求6所述的强噪声环境下的滚动轴承故障诊断系统， 其特征在于， 所述随 机采样层是采用服从概率为p的伯努利分布的随机采样， 其中p在每个训练周期取一个0.5 到1之间的随机值， 为保持数据长度， 未被采样的数据原地置 0。 8.根据权利要求6所述的强噪声环境下的滚动轴承故障诊断系统， 其特征在于， 结合 SENet的CNN全局型特征提取器由一个CNN特征提取器和一个SENet组成； CNN提取器由一个 卷积层、 一个AdaBN层和一个ELU激活层依次组成， 其中AdaBN层能够对 卷积层结果进行标准 化操作， 标准 化公式为： 式中： x(k)为AdaBN层的输入， γ(k)、 β(k)为AdaBN层的缩放与偏置参数， y(k)为AdaBN层的 输出， 其中γ(k)、 β(k)在训练模式下是自主学习训练的参数， 在测试模式下用该参数来更新 测试数据 的分布； SE Net由一个全局平均池化层， 一个全连接层， 一个ELU 激活层， 一个全 连接层和一个Sigmoi d激活层依次组成； SENet的输入为CNN特征提取器的输出， 结合SENet 的CNN全局型特征提取器的输出为SENet和CN N特征提取器的输出的乘积。 9.根据权利要求6所述的强噪声环境下的滚动轴承故障诊断系统， 其特征在于， 基于 CNN的高维特征提取器是由多个CNN特征提取器组成， 每个CNN特征提取器由一个卷积层、 一 个AdaBN层、 一个ELU激活层和一个最大池化层依次组成。权　利　要　求　书 2/3 页 3 CN 114459760 A 3