一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法

一种基于改进端到端resnet-bilstm双通道模型的设备故障诊断方法
技术领域
1.本发明涉及深度学习中双通道模型构建及工业设备故障诊断技术领域， 具体为一种基于改进端到端resnet-bilstm双通道模型的设备故障诊断方 法。


背景技术：

2.随着现代工业的迅速发展，“智能工厂”中的机械设备也向着集成化、复 杂化方向蓬勃发展。机械设备是工业领域不可或缺的重要组成部分，伴随机 械设备的持续运行，其设备部件不可避免出现各式各样的故障。造成部件故 障的原因也往往是复杂多样的，机械设备的状态监测与故障诊断是工业领域 故障诊断技术的重要内容。假如不能及时有效地实现对部件故障的处理，机 械设备将无法运转工作从而影响工业生产，因此机械设备故障诊断对于提高 工业生产效率和经济效益具有十分重要的意义。
3.机械设备故障诊断研究主要集中在特征值提取和状态识别这两个部分， 这是机械设备状态监测的核心部分。在长期运转过程中通过各种传感器与机 械设备相连接实现对机械设备运行状态对监测和运行参数的采集，其中振动 加速度信号是采集与研究的主要对象。深度神经网络是解决复杂系统诊断问 题有效的模型，可直接对高度非线性、复杂、多维振动加速度信号数据进行 建模，挖掘数据与诊断目标的映射关系。文章[张弘斌等，采用多通道样本和 深度卷积神经网络的轴承故障诊断方法[j].西安交通大学学报,2020,54(8): 58-66.]利用连续小波变换提取转子两端轴承振动信号的时频域特征，构造3 类振动信号的单通道二维图形样本并进行融合，输入卷积神经网络cnn中实 现特征提取和轴承故障信号的精确分类。随着反馈神经网络在自然语言处理 (natural language processing,nlp)领域取得重大突破，文章[范宇雪等.基 于bi-lstm的小样本滚动轴承故障诊断方法研究[j].噪声与振动控制, 2020(4):108-113.]将自适应白噪声模态分解(complete eemd with adaptivenoise,ceemdan)与傅里叶变换对信号进行分解后输入双向长短期记忆bilstm神经网络实现对高速列车轮轴承的故障诊断。文章[tan等.rolling bearingfault diagnosis based on single gated unite recurrent neuralnetworks[j].journal of physics conference series,2020,1601:042017.] 设计一种新的单门联合(single gated unite,sgd)递归神经网络作为lstm 神经网络的简化策略，利用小波包分解提取特征作为双向单门联合的输入实 现轴承的故障诊断，减少达36％的网络参数量，提高了故障诊断的时间效率。 文章[陈伟等.基于rs-lstm的滚动轴承故障识别[j].中国科技论文, 2018,13(10):1134-1141.]为实现滚动轴承不同故障类型的振动加速度信号 的智能分类，将随机搜索(random search,rs)与lstm神经网络相结合，以 原始故障数据作为输入，验证所提算法具有较高的泛化能力和鲁棒性。
[0004]
上述基于信号处理和深度学习的故障诊断模型，实现了工业领域机械轴 承、齿轮等机械设备的故障诊断与状态监测。针对不同场景和不同特征数据 不同诊断算法各有利弊，如何融合各个算法的优势并减少人为干预过程，构 建端到端诊断模型应用于海量特征
数据进行特征的提取和深层次挖掘，提高 工业领域中设备故障诊断的速度和精度，仍是需要解决的主要问题。


技术实现要素：

[0005]
(一)解决的技术问题
[0006]
针对现有技术的不足，本发明提供了一种基于改进端到端resnet-bilstm双通道模型的设备故障诊断方法，首先将原始一维时序信号简单归一化后直 接输入栈型bilstm模型和resnet模型两个通道，分别对信号的时序相关性 特征、非平衡数据的深层隐性特征进行充分提取。为实现深度神经网络深浅 层数据特征的跨通道交互，构造1decanet模块并融入resnet特征提取通道。 最后，输入全连接层将双通道提取的特征融合并借助softmax分类器实现对 设备故障的精确识别。
[0007]
(二)技术方案
[0008]
为实现以上目的，本发明通过以下技术方案予以实现：一种基于改进端 到端resnet-bilstm双通道模型的设备故障诊断方法，具体包括以下步骤：
[0009]
s1、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，简 单归一化处理后作为端到端诊断模型的输入；
[0010]
s2、构建resnet模型通道对原始信号的隐性非明显特征进行深层次挖掘 与提取，避免深度神经网络梯度弥散现象；
[0011]
s3、构建1decanet模块并与resnet模型通道串联，对深浅层数据特征 进行跨通道交互，作为改进后的resnet特征提取通道；
[0012]
s4、构建栈型bilstm模型通道对原始故障数据的时序相关性特征进行提 取，加入批归一化(bn)层和dropout层避免该模型通道过拟合；
[0013]
s5、搭建端到端双通道诊断模型，在全连接层对改进后的resnet模型通 道和栈型bilstm模型通道提取的数据特征采用concatenate机制融合；
[0014]
s6、利用focal loss损失函数协调训练样本数据非平衡、挖掘难分样本 隐性特征，实现双通道诊断模型训练的参数更新；
[0015]
s7、采用softmax函数进行多种故障信号数据的分类，实现非平衡故障 信号的精确诊断。
[0016]
优选的，所述步骤s2和s3中，采用搭建改进的resnet特征提取通道， 实现深浅层特征数据的跨通道交互，具体步骤如下：
[0017]
t1、构建一维resnet神经网络通道，即在浅层网络基础上叠加恒等映射 层对归一化后的时序信号沿时间轴方向进行局部特征提取，按照公式进行卷 积层和恒等映射计算；
[0018]ylay
＝f(x
lay
,wi)+wsx
lay
[0019]
f＝w2σ(w,x
lay
)
[0020]
x
lay+1
＝f(y
lay
)
[0021]
其中x
lay
表示残差模块的输入，x
lay+1
表示残差模块的输出，w、wi、w2均 表示常规一维卷积计算，ws表示1*1卷积计算，σ表示sigmoid激活函数，f(
·
) 表示relu激活函数；
[0022]
t2、构建1decanet模块，通过一种不降维的局部跨信道交互策略，对原 始故障信号中隐性故障进行深层次、跨通道挖掘与提取；
[0023][0024][0025]
其中c表示网络中间层特征数据通道数，k表示自适应调整函数计算得到 的一维卷积核尺寸大小，γ＝2,b＝1；
[0026]
t3、将构建的resnet模块与1decanet模块进行串联融合，共同构成改 进后的resnet特征提取通道，并于bilstm特征提取通道采用concatenate 机制进行融合，为端到端诊断模型提供分类特征参数依据。
[0027]
优选的，所述步骤s6中，采用focal loss损失函数协调故障样本数据 失衡，具体为：
[0028]
e1、首先在标准交叉熵损失函数基础上增加一个调制系数ω＞0以减少易 分类样本的损失权重，赋予困难的和错分的样本数据更大的权重；
[0029][0030][0031]
其中l0表示标准交叉熵损失函数，l1表示添加调制系数后的交叉熵损失 函数，x表示故障样本，n表示样本总数，a表示期望输出，y表示神经元的实 际输出；
[0032]
e2、接着在此基础上加入平衡因子λ来平衡正负样本本身的比例不均问题， 构成focal loss损失函数；
[0033][0034]
优选的，所述步骤s1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，简单归一化处理后作为端到端诊断模型的输入，具体包括 以下步骤：
[0035]
p1、采用振动加速度传感器对不同工况下故障时序性数据进行采集，将 采集的时序性数据按照滑动窗口大小进行切割生成故障诊断样本数据 如下式所示：
[0036][0037]
其中滑动窗口长度为l
sw
，其中n-l
sw
×
i≥l
sw
；i＝1,2,3...，截取的每个时间点样本 序列表示为其中均为d维向量；
[0038]
p2、将原始时序性振动加速度样本数据进行简单归一化处理，直接作为 端到端故障诊断模型的输入数据x
inputs
＝[x
(1)
,x
(2)
,...,x
(n-1)
,x
(n)
]，如下式所示：
[0039][0040]
优选的，所述步骤s5中，搭建端到端双通道诊断模型，在全连接层对改 进后的resnet模型通道和栈型bilstm模型通道提取的数据特征采用 concatenate机制融合，具体为：
[0041]
a1、channel1设置为改进后的resnet神经网络模型，具体由resnet模 块与1decnet模块串联构成，resnet模块的输出作为1decanet模块的输入；
[0042]
a2、channel2为栈型双向长短期记忆(stacked bi-lstm)神经网络模型， 调整bilstm网络的记忆单元数目和神经网络的层数，实现对不同维度信号特 征的提取；
[0043]
a3、channel1和channel2两个特征提取通道经flatten机制展开后经过 concatenate机制进行融合。
[0044]
(三)有益效果
[0045]
本发明提供了一种基于改进端到端resnet-bilstm双通道模型的设备故 障诊断方法。与现有技术相比具备以下有益效果：
[0046]
(1)、该端到端双通道模型的设备故障诊断方法，通过针对工业互联网 领域中现存的故障诊断样本数据非平衡性、时序性特征和隐性故障难以提取 问题，本发明基于resnet神经网络和bilstm神经网络对端到端模型构建、 数据特征提取挖掘、模型参数更新这三个过程进行改进。本发明改进的深度 学习算法称为一种基于改进端到端resnet-bilstm双通道诊断模型的故障诊 断方法，该方法与传统故障诊断方法相比既增加了特征提取通道的注意力机 制，又借助focal loss损失函数实现双通道诊断模型参数的更新以应对非平 衡样本数据，从而解决工业领域中机械设备故障诊断问题。
[0047]
(2)、该端到端双通道模型的设备故障诊断方法，与基于信号处理和深 度学习的传统诊断模型相比：1)对原始振动加速度数据仅进行简单归一化处 理直接输入端到端诊断模型，最大保留时序性数据原始特征，避免因信号预 处理技术因效果不佳产生后续连锁反应；2)提出改进端到端resnet-bilstm 双通道模型的故障诊断方法，对非平衡数据数据中隐性难以识别特征和时序 数据的上下文信息进行充分挖掘；3)在双通道模型中加入dropout层和批量 归一化层，规范特征数据和避免模型出现过拟合；4)引入通道注意力机制， 构造1decnet模块嵌入残差网络通道，避免中间层数据降维对特征提取造成 影响，同时实现深度神经网络中深浅层数据特征的跨通道交互。
[0048]
(3)、该端到端双通道模型的设备故障诊断方法，通过将本发明提出的 方法应用于美国西储大学故障轴承数据集，通过试验分析，验证了提出的改 进端到端resnet-bilstm双通道模型的故障诊断方法的有效性，在11种不同 失衡比例测试集上的诊断精度最低达97.67％，最高诊断精度达99.52％。相较 于未加入1decanet模块的resnet-bilstm双通道模型，模型收敛速度有明显 提升，模型最低损失值降至0.0711，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
[0049]
图1为本发明端到端神经网络模型的框架结构图；
[0050]
图2为本发明残差模块resnet的原理图；
[0051]
图3为本发明1decanet的原理图；
[0052]
图4为本发明改进后的resnet特征提取通道框架图；
[0053]
图5为本发明栈型bilstm特征提取通道框架图；
[0054]
图6为本发明改进的端到端resnet-bilstm双通道模型总框架图；
[0055]
图7为本发明提出的双通道模型训练与诊断流程图；
[0056]
图8为本发明滚动轴承正常、9类故障振动加速度信号可视化图；
[0057]
图9为本发明提出的双通道模型输入层的可视化图；
[0058]
图10为本发明融合层t-sne的可视化图；
[0059]
图11为本发明提出的双通道模型诊断精度的曲线图；
[0060]
图12为本发明损失值下降的曲线图；
[0061]
图13为本发明9类故障诊断分类结果混淆矩阵图；
[0062]
图14为本发明融入1decanet前后模型训练收敛情况对比。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅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。
[0064]
请参阅图1-14，本发明实施例提供一种技术方案：一种基于改进端到端 resnet-bilstm双通道模型的设备故障诊断方法，以工业机械设备故障诊断 为载体，以resnet和bilstm算法作为主要的算法框架，其模型如图1所示， 具体包括下述步骤：
[0065]
s1.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，简 单归一化处理后作为端到端诊断模型的输入。
[0066]
1-1)采用振动加速度传感器对不同工况下故障时序性数据进行采集，将 采集的时序性数据按照滑动窗口大小进行切割生成故障诊断样本数据 如下式所示：
[0067][0068]
其中滑动窗口长度为l
sw
，其中n-l
sw
×
i≥l
sw
；i＝1,2,3...，截取的每个时间点样本 序列表示为其中均为d维向量。
[0069]
1-2)将原始时序性振动加速度样本数据进行简单归一化处理，直接作为 端到端故障诊断模型的输入数据，端到端神经网络模型的框架结构如图1所 示，数据x
inputs
＝[x
(1)
,x
(2)
,...,x
(n-1)
,x
(n)
]，如下式所示：
[0070][0071]
s2.构建resnet模型通道对原始信号的隐性非明显特征进行深层次挖掘与提取，避免深度神经网络梯度弥散现象。
[0072]
resnet模块的主要思想是在浅层网络基础上叠加恒等映射层(identitymappings)，从而避免网络随深度增加而退化问题，resnet神经网络的残差模块原理如图2所示。当在中间层直接拟合恒等映射函数h(x
lay
)＝x
lay
相对困难，因此引入残差函数为f(x
lay
)＝h(x
lay
)-x
lay
，当f(x
lay
)
→
0时，即为恒等映射，其中x
lay
表示残差模块的输入。通过shortcut进行同等映射，其中f(x)与x相加即为逐元素相加的过程，公式如下：
[0073]ylay
＝f(x
lay
,wi)+x
lay
[0074]
f＝w2σ(w,x
lay
)
[0075]
其中x
lay
表示残差模块的输入，w、wi、w2均表示一维卷积计算，σ表示sigmoid激活函数。
[0076]
当f(x)与x两者维度不同时，需要给x执行线性映射来匹配维度，线性映射通常有两种解决方案：(1)直接通过zeropadding来增加维度(2)乘以w矩阵投影到新的空间，可借助1*1卷积并改变1*1卷积的filters数目实现。本发明选取第二种方案计算残差模块的输出，公式如下：
[0077]ylay
＝f(x
lay
,wi)+wsx
lay
[0078]
x
lay+1
＝f(y
lay
)
[0079]
其中ws表示1*1卷积计算，x
lay+1
为残差模块的输出，f(
·
)为relu激活函数。
[0080]
s3：构建1decanet模块并与resnet模型通道串联，对深浅层数据特征进行跨通道交互，作为改进后的resnet特征提取通道。
[0081]
2-1)构建1decanet模块首先用一维全局平均池化globalavgpooling得到一个1*1*c的featuremaps；
[0082]
2-2)接着经一个自适应调整函数计算得到卷积核尺寸大小k，因网络中间层通道数一般为2的指数，计算自适应卷积核大小k，公式如下：
[0083][0084][0085]
其中c表示中间层数据通道数，γ＝2,b＝1。
[0086]
2-3)一维卷积的卷积核大小k借助函数实现自适应计算调整，使得通道数较大的层可以更多地进行跨信道交互。应用k于一维卷积计算中，经激活函数sigmoid得到每个通道的权重，最终完成跨通道间的信息交互。构建的1decanet模块原理如图3所示；
[0087]
2-4)将构建好的1decanet模块与resnet特征提取模块实现串联连接，其中resnet模块的输出作为1decanet模块的输入，串联形成的1decanet+resnet模块共同构成改进后的resnet特征提取通道，如图4所示。
[0088]
s4.构建栈型bilstm模型通道对原始故障数据的时序相关性特征进行提 取，加入批归一化(bn)层和dropout层避免该模型通道过拟合。
[0089]
lstm单元细胞计算步骤如下：
[0090]ft
＝σ(w
t
[h
t-1
,x
t
]+b
t
)
[0091]it
＝σ(wi[h
t-1
,x
t
]+b
t
)
[0092][0093][0094]ot
＝σ(wo[h
t-1
,x
t
]+bo)
[0095]ht
＝o
t tanhc
t
[0096]
其中f,i,o分别表示遗忘门、输入门、输出门的计算结果，为lstm细胞 状态待更新值，c
t
为更新后的细胞状态值，h
t
为lstm细胞单元最终的输出值， w和b分别表示记忆细胞单元内参与训练的权重矩阵和偏置向量；σ和tanh分 别代表sigmoid函数和双曲正切函数，充当不同“门”结构的激活函数。
[0097]
为实现对信号数据的上下文判断，本发明借助bilstm神经网络的隐藏层 实现正向计算和反向计算两个过程，可为网络提供数据上下文信息，bilstm 的更新过程如下式所示：
[0098][0099][0100][0101]
其中lstm
+
(
·
)、lstm-(
·
)均为上文中lstm细胞单元运算，w
hy
和wh'y分别为 bilstm正向计算层、反向计算层的权重值；by为输出层的偏置向量。在双向 lstm计算过程中同时对数据的上下文信息进行权重计算，较传统lstm神经网 络学习到更多的数据特征，如图5所示。
[0102]
s5.搭建端到端双通道诊断模型，在全连接层对改进后的resnet模型通 道和栈型bilstm模型通道提取的数据特征采用concatenate机制融合。
[0103]
搭建的改进端到端resnet-bilstm双通道模型的框架结构如图6所示， 通过将两个channel组合提取到的特征经全连接(fc)层后采用concatenate 机制融合，为分类层的输入提供更多分类特征参数依据。
[0104]
s6.利用focal loss损失函数协调训练样本数据非平衡、挖掘难分样本 隐性特征，实现双通道诊断模型训练的参数更新。
[0105]
传统交叉上损失函数，公式如下：
[0106][0107]
其中x表示故障样本，n表示样本总数，a表示期望输出，y表示神经元的 实际输出，经过激活函数的计算其值在0-1之间。
[0108]
focal loss损失函数在标准交叉熵损失函数基础上增加一个调制系数 ω＞0以减少易分类样本的损失权重，赋予困难的和错分的样本数据更大的权 重，公式如下：
[0109][0110]
在此基础上再加入平衡因子λ来平衡正负样本本身的比例不均问题，公式 如下：
[0111][0112]
s7：采用softmax函数进行多种故障信号数据的分类，实现非平衡故障 信号的精确诊断。
[0113]
分类层将双通道融合后的样本特征向量作为输入，采用softmax分类器 得到故障振动加速度时序信号属于不同类别的概率分布，如下式所示：
[0114][0115]
其中m代表分类层输出层单元个数，即故障信号类别数目。
[0116]
基于上述步骤，本发明有效解决机械设备故障诊断问题，首先该方法对 原始振动加速度信号进行简单归一化作为端到端诊断模型的输入数据；其次， 针对非平衡故障信号时序性、隐性特征难以提取的特点，分别构建融合 1decanet模块的resnet模型通道channel1、栈型bilstm模型通道channel2 对数据特征进行深层次、跨通道挖掘；最后，将双通道提取的数据特征进行 融合并在分类层实现故障振动信号的精确分类。本发明显著提高机械设备故 障诊断精度，有效提高了模型训练的收敛速度。
[0117]
本发明基于改进端到端resnet-bilstm双通道模型的故障诊断方法的试 验验证：
[0118]
1、数据描述
[0119]
试验数据来源于美国凯斯西储大学(cwru)轴承数据中心的滚动轴承故障 振动数据集。驱动端和风扇端分别布置6205-2rs jem skf深沟球轴承和 6203-2rs jem skf深沟球轴承，采用电火花加工技术分别对放置在驱动端和 风扇端的滚动轴承的内圈(inner raceway)、外圈(outer raceway)、滚动体 (ball)3个不同位置布置不同等级的单点损伤。故障直径分别设置为0.007、 0.014、0.021英寸，故障深度分别设置为0.011、0.050、0.150英寸。由放 置在驱动端、风扇端和基座三个位置的振动加速度传感器分别以12khz、48khz 的频率对振动数据进行采集。本发明基于12khz的采样频率对驱动端的内圈、 外圈和滚动体3个不同故障位置的3种不同故障直径共9类故障、每类故障 样本以100个数据点为时间步长划分为不同失衡比例的数据样本进行故障诊 断实验，9类轴承故障实验样本信息如表1所示：
[0120]
表1 9类轴承故障实验样本信息(故障直径单位：英尺)
[0121][0122]
将滚动轴承的正常与9类不同故障类型的振动加速度数据以1000时间步 长的指定范围进行可视化，如图8所示。9类不同故障类型振动信号之间存在 振幅和周期差异，振动加速度信号之间存在较弱的周期性，其隐性特征难以 直接通过数据分布规律进行诊断和识别。
[0123]
2、改进的端到端resnet-bilstm双通道模型结构参数
[0124]
对于改进的端到端resnet-bilstm双通道故障诊断模型，将原始非平衡性 时序性数据简单归一化后直接输入模型中，利用端到端模型隐藏层的整体契 合度实现非平衡样本数据隐性特征的深层次挖掘与提取，端到端分类模型参 数如表2所示。其中栈型bilstm通道对时序性信号上下文信息进行充分提取， resnet通道对非平衡数据的局部空间的隐性非明显特征进行充分提取，并实 现浅层数据与中间层特征数据的跨通道通信。其中改进后的resnet通道嵌入1decanet模块，避免中间层特征数据降维对特征提取造成影响，在少量增加 模型计算参数的基础上提高模型的整体诊断精度。
[0125]
表2端到端分类模型参数
[0126][0127][0128]
3、改进的端到端resnet-bilstm双通道模型故障诊断效果
[0129]
将采集的原始一维时序性信号归一化后的故障信号及对应类别标签按照 7:3随机划分为训练集和测试集，对训练集进一步按照9:1随机划分为训练和 验证数据用于对模
型当前训练结果的评估，提出的双通道模型训练与诊断流 程如图7所示，其中模型训练参数如表3所示。
[0130]
表3模型训练过程描述
[0131][0132]
为验证改进的端到端resnet-bilstm诊断模型对非平衡数据隐性特征提 取的有效性，本节构造11种失衡样本数据集并对测试数据集的诊断精度和测 试集损失值进行对比。将测试集数据输入训练最佳的模型中进行故障诊断， 如表4所示，改进的端到端resnet-bilstm双通道诊断模型在失衡测试集上 的诊断精度最低达到97.67％。
[0133]
表4非平衡数据集诊断结果
[0134]
[0135][0136]
为更加直观地展示改进的端到端resnet-bilstm双通道故障诊断模型对 非平衡数据隐性特征提取的有效性，借助t-sne算法对端到端模型的输入层、 融合层分别进行可视化。选取编号为6的测试样本集进行试验，如图9中端 到端模型的输入层可视化结果显示9种不同故障特征数据随机分布并存在失 衡现象，故障标签为6的样本数量远大于其他故障样本数。图10显示端到端 模型的融合层9类不同故障特征数据间重叠率较低，模型对失衡样本数据的 不同隐性特征进行了显著区分。进一步证实改进的端到端resnet-bilstm双 通道诊断模型能对非平衡样本的隐性特征进行有效且充分提取，最终实现非 平衡性故障样本的精确分类。
[0137]
改进的端到端resnet-bilstm双通道诊断模型的resnet通道设置一层 resnet模块，即仅实现一次特征数据的跨通道通信后再与1decanet模块串联 时，端到端模型表现出最佳平均诊断精度。模型训练精度、损失值下降曲线 如图10所示。通过损失值下降曲线表明在训练批次达20次左右时模型已基 本收敛，对模型在测试集上的诊断结果使用混淆矩阵进行展示，如图11所示， 采用9类故障的诊断结果取平均值作为此次模型的整体诊断性能，上述11类 失衡故障样本测试集的平均诊断结果达98.74％。
[0138]
为进一步验证1decanet模块在改进的端到端resnet-bilstm双通道故障 诊断模型训练收敛过程中所起的作用，对添加1decanaet模块前后的模型训 练损失值进行消融实
验，如图12所示。结果显示嵌入1decanet模块后模型 损失值下降的更快，该高效通道注意力机制在增加少量参数的前提下获得了 更低的损失值和更快的收敛速度，意味着在融入1decanet模块不大量增加模 型复杂度的基础上可使模型获得更高的诊断精度。
[0139]
4、结论
[0140]
为应对复杂工况下采集到的原始故障信号数据缺失，不同种类故障样本 失衡导致其隐性特征提取困难，本发明提出改进的端到端resnet-bilstm双 通道故障诊断模型。通过引入resnet残差模块实现特征数据的跨通道通信和 深层隐性特征的挖掘，构建1decanet模块并将其嵌入resnet特征提取通道， 避免训练过程中特征数据的降维对特征提取产生影响。与此同时该模块还避 免常规复杂注意力机制导致的模型参数量急剧上升以及模型收敛速度慢的现 象。为验证所提模型对非平衡数据隐性特征提取的有效性，本发明构造多种 不同比例的非平衡轴承样本集并将其输入端到端诊断模型中进行故障诊断， 并采用focal loss损失函数作为模型收敛依据。实验结果显示改进的端到端 resnet-bilstm双通道诊断模型可有效应对多种非平衡样本数据集，对不同种 类的失衡数据集的隐性特征均能进行有效提取。
[0141]
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有 技术。
[0142]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来 将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示 这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、
ꢀ“
包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系 列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明 确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有 的要素。
[0143]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。