基于CNN-CBAM振动信号特征提取和改进的Bagging轴承故障诊断方法

本发明涉及轴承故障诊断领域，具体的涉及一种基于cnn-cbam振动信号特征提取和改进的bagging轴承故障诊断方法。

背景技术：

1、轴承作为机器中重要的旋转部件，保障机械设备的稳定运转。轴承在机器长时间工作运转时，受到磨损、冲击、腐蚀等因素的作用容易出现故障，导致轴承失去原本的支撑和减摩作用，进而影响机械设备的性能和寿命。

2、传统的轴承诊断维护有部分是依靠人工经验，利用振动分析技术采集轴承的振动信号，分析轴承的频谱图和时域波形，以识别轴承的故障类型和严重程度，未充分考虑机械实时运行状态的影响且对多工况环境难以有效诊断。另外还有的传统的轴承诊断维护主要依赖振动信号分析和传感器检测等技术，忽略轴承在工作环境中强噪声、高负荷和多工况的耦合作用，出现轴承故障诊断在故障种类识别单一化和故障判断率较低的情况居多，容易造成人身安全和财产损失。

3、因此亟需设计一种可以克服故障种类识别单一化问题，提高判断率的轴承故障诊断方法。

技术实现思路

1、发明目的：针对现有技术存在的问题，本发明提供了一种基于cnn-cbam振动信号特征提取和改进的bagging轴承故障诊断方法，构建轴承特征值数据集，结合cnn-cbam模型实现特征提取，利用探路者算法优化bagging模型参数实现最佳诊断效果，可以更精准地发现潜在安全隐患，满足对轴承故障类别的正确判断要求。

2、技术方案：本发明提供了一种基于cnn-cbam振动信号特征提取和改进的bagging轴承故障诊断方法，包括如下步骤：

3、步骤1：利用传感器获取轴承在各种工况下的振动信号数据；

4、步骤2：基于所获取的振动信号，利用时域分析完成对振动信号解析得到特征值；

5、步骤3：对特征值重新组合得到能够表征故障和非故障工况的轴承数据集；

6、步骤4：针对轴承数据集，采用卷积神经网络和卷积块注意模块结合模型cnn-cbam实现特征提取，利用通道注意力模块和空间注意力模块增强cnn特征表达能力和判别能力；

7、步骤5：利用探路者算法优化bagging模型参数，经过cnn-cbam特征提取之后形成新的训练集作为优化后的bagging模型的输入，对特征提取的数据集训练，实现轴承故障诊断。

8、进一步地，所述步骤1利用传感器获取轴承在各种工况下的振动信号数据包括如下步骤：

9、(1-1)由加速度计传感器分别采集在三种缺陷直径0.007英寸，0.014英寸，0.021英寸的内圈故障、外圈故障、滚珠故障以及正常状态下轴承振动信号；

10、(1-2)将采集的轴承振动信号归为10类，分别是滚珠0.007英寸故障记作ball_007_1，滚珠0.014英寸故障记作ball_014_1，滚珠0.021英寸故障记作ball_021_1；内圈0.007英寸故障记作ir_007_1，内圈0.014英寸故障记作ir_014_1，内圈0.021英寸故障记作ir_021_1；外圈0.007英寸故障记作or_007_1，外圈0.014英寸故障记作or_014_1，外圈0.021英寸故障记作or_021_1；正常状态记作normal_1。

11、进一步地，所述步骤2生成特征值具体为：利用时域分析对所述振动信号解析，计算如下九个特征：时域极大值max，时域极小值min，时域平均值mean，时域标准差sd，时域峰度kurtosis，时域均方根rms，时域偏度skewness，峰值因子crest，波形因子from。

12、进一步地，所述步骤4中采用卷积神经网络和卷积块注意模块结合模型实现特征提取包括如下步骤：

13、(4-1)加载轴承数据集并进行预处理，将数据分为训练集、测试集，对数据进行归一化操作，确保数据的可用性和准确性；x_train大小为1150×9，x_test大小为1150×9，y_tra in大小为1150×1，y_test大小为1150×1；

14、(4-2)将步骤3轴承数据集输入到cnn的卷积层和池化层操作，得到一系列的特征图，对每个特征图经过cbam计算对应的注意力向量；

15、(4-3)①通道注意力向量与特征图相乘，对每个通道的特征进行加权，增强重要通道的表示能力；②空间注意力向量与加权后的特征图相乘，对每个空间位置的特征进行加权，增强重要位置的表示能力；

16、(4-4)得到经过注意力机制增强的特征图，再经过cnn全连接层和激活函数的调节作用，作为后续bagging模型分类的训练输入。

17、进一步地，所述步骤5中探路者算法具体步骤如下：

18、(1)首先将种群分为领导者leader和群体成员members，领导者负责引导算法的全局搜索，群体成员随着领导者的指引方向移动，经过位移变化种群发生更新，其更新方式用数学表达如下：

19、

20、

21、式中，k表示算法当前迭代次数，kmax表示算法最大迭代次数，表示领导者当前位置，表示上一代领导者位置，表示领导者更新后位置，r3是在0和1范围内均匀生成的随机向量，a表示波动率向量，每次迭代可用式(2)生成，其中u1是[-1,1]内的随机数；

22、(2)在路途中存在不确定性和随机性，领导者无法回到原位置，因此完成更新后加入保优操作，回不到原位置则强制归回；

23、(3)领导者更新完成后，群体成员随着领导者位置更新，其更新方式用数学表达如下：

24、

25、r1＝αr1 r2＝βr2 (4)

26、

27、式中，k表示算法当前迭代次数，表示当前群体成员的位置，表示更新后位置，r1和r2表示随机向量，ε为群体成员提供随机游走，dij表示当前群体成员和其他群体成员的距离。

28、进一步地，使用的bagging模型对特征提取的数据集训练，其中n_estimators，max_sam ples，max_features依次作为自变量，正确率作为因变量，构成多元线性回归模型。公式如下：

29、

30、通过给定参数值集合范围，利用探路者算法求解多元线性回归问题，最终得到最佳参数集合(x1，x2，x3)带入到bagging模型中，得到最终的诊断结果。

31、有益效果：

32、(1)本发明采集轴承在各种工况下的振动信号，通过时域分析解析振动信号在复杂工况的九种特征值，从而构成轴承数据集作为诊断模型训练输入，克服传统意义上过度依赖人工经验导致的安全事故，通过提取多特征值，提升诊断模型的精度和效率。

33、(2)本发明通过卷积神经网络和卷积块注意模块结合模型提取特征值，减少模型训练时间并提高特征值的关联性，cnn-cbam能够抑制噪声和无关特征，经过cnn-cbam特征提取的数据集更利于模型训练，提高模型的性能和泛化能力。采用探路者算法优化bagging模型参数，最大化发挥模型诊断效果，实现轴承故障诊断。