基于强抗噪的FIRResNet模型的故障诊断方法及系统

本发明属于故障诊断，涉及一种基于强抗噪的firresnet模型的故障诊断方法及系统。

背景技术：

1、近些年来，随着科学技术的不断革新壮大以及社会工业化的迅猛发展，越来越多的工业产业化系统被装载在大型工业生产场合，在这种应用环境下创造了无可替代的巨大生产力，因而这些设备的保养维护工作显得尤其重要和艰巨。但往往太多隐含的影响因素都有可能造成这些系统设备故障的产生甚至是失效，因此国家和企事业单位越来越关注对这些重要系统设备的状态检测以及故障诊断方面工作。

2、传统的智能故障诊断模型缺乏对振动信号潜在产生机理的深入剖析，导致传统智能故障诊断模型结构并不能很好地适配振动信号的数据特征。由此传统智能故障诊断模型的抗噪性能不足，很难胜任真实工业设备面临的强噪声环境。此外，当设备经过零器件维护、更换后，基础噪声水平通常也会发生改变，导致传统的智能故障诊断模型难以处理新的故障辨识任务。这些问题限制了智能故障诊断技术的进一步发展与工业应用。

3、当旋转机械出现故障时，其机械系统内部结构的复杂性会导致故障激励的冲击信号出现复杂的调制现象，故障信息被调制为不同的窄带分量，分布在频域上的不同尺度上。众所周知，频域里，这些调制信息具有更好的抗噪性能，是故障特征的鲁棒表征。然而，如何在时域里提取这些故障敏感信息并用于设备的智能故障诊断是一直是一个难题。

技术实现思路

1、本发明的目的在于提供一种基于强抗噪的firresnet模型的故障诊断方法及系统，以解决智能故障诊断模型的抗噪性能不足的问题。

2、为了达到上述目的，本发明的基础方案为：一种基于强抗噪的firresnet模型的故障诊断方法，包括如下步骤：

3、采集设备不同健康状态下的振动信号，并构建振动样本数据集；

4、设计fir滤波层、多分支resnet层和全连接层，得到firresnet故障诊断模型；

5、将频谱样本数据集作为firresnet故障诊断模型的输入，更新优化firresnet故障诊断模型；

6、采集故障设备的振动信号，并输入优化后的firresnet故障诊断模型，输出故障诊断结果。

7、本基础方案的工作原理和有益效果在于：fir滤波层能够保障firresnet故障诊断模型基于故障信息做出最终决策与辨识，fir滤波层可对原始信号进行故障分量的自适应选择与无关噪声剔除，fir滤波层具有滤波核，能够从频域的角度提取更加敏感的故障信息，具有更好的抗噪性与泛化能力。多分支resnet层能够更好地适配故障分量的特性，充分利用故障分量进行特征提取。全连接层将多分支resnet层提取的高维特征降维，输出每类健康状态的预测值。

8、进一步，构建振动样本数据集的具体方法如下：

9、采集设备不同健康状态下的振动信号，设置采样频率为fs，健康状态的分类数目为k；

10、将每条振动信号分割为多个振动样本，设置每个振动样本的长度，并记录样本标签。

11、操作简单，获取振动样本，便于后续使用。

12、进一步，设计fir滤波层的方法如下：

13、fir滤波层包括多个fir滤波核，每个滤波核具有两个可学习参数：中心频率ωc和带宽b，在这两个参数的调控下，fir滤波核提取样本在特定频带内的信号分量；

14、设fir滤波核的长度为l，l小于振动样本的长度，fir滤波核的个数为n，fir滤波层构造所需窗函数类型选择为汉宁窗，则第i个滤波核的构造表达式为：

15、

16、其中，w(n)为窗函数，n为窗函数的长度；ωchi和ωcli分别表示通带上、下截止频率，计算如下：

17、

18、

19、其中，ωci和bi是第i个滤波核的中心频率和带宽，δb＝6.2π/l，δb是过渡带带宽指标，与窗函数的类型和窗长选择有关，l为窗函数的长度，与fir滤波核的长度相同；ωsli，ωshi分别表示通带的上、下边频；

20、每个滤波核对样本的滤波过程为：

21、hi＝conv(x,hi)

22、其中，xi∈r1×2048和hi∈r1×2048分别表示样本和经第i个fir滤波核滤波后的信号分量，2048为振动样本的长度；

23、将n个fir滤波核的输出结果堆叠为动态特征图h：

24、h＝[h1；h2；…；hn；]

25、其中，hi∈rn×2048是fir滤波层输出的动态特征图。

26、在fir滤波层设计一些列fir滤波核对原始信号进行故障分量的自适应选择与无关噪声剔除，为每个滤波核赋予中心频率和调制带带宽两个频域参数，再将其反演为时域fir滤波器，能够从频域的角度提取更加敏感的故障信息，具有更好的抗噪性与泛化能力；它们作为时域滤波器，能够与现有绝大多数智能诊断模型实现无缝衔接与快速操作。

27、进一步，设计多分支resnet层的方法如下：

28、将fir滤波层输出的动态特征图h作为多分支resnet层的输入，多分支resnet层包括三种具有不同卷积核长度的残差学习分支，卷积核长度分别为3，5和7；设多分支resnet层的模型参数为θ，三条分支通过卷积特征提取、特征升维、残差学习和平均最大池化，最终输出一个特征向量v1∈r128×1、v2∈r128×1和v3∈r128×1；

29、将v1、v2和v3拼接为一个特征向量v，多分支resnet层的特征映射为：

30、v＝f(θ,h)＝[v1,v2,v3]

31、其中，v∈r384×1是多分支resnet层输出的特征向量，f表示网络结构中的多分支resnet层对输入h的映射函。

32、由于fir滤波层提取的故障分量分布在频带上的低频、中频和高频部分，而其他频率分量作为无关噪声被丢弃。因此，这种不同长度卷积核的设计能够更好地适配故障分量的特性，充分利用故障分量进行特征提取。

33、进一步，设计全连接层的方法为：

34、利用单层全连接层，将多分支resnet层输出的特征向量v降维至分类数目k，运算过程为：

35、y＝wv+b

36、其中，w∈rclass×384和b∈rclass分别是全连接层的权重矩阵与偏置向量；y∈rk×1是firresnet故障诊断模型的推理结果；

37、每类健康状态的评估概率为：

38、

39、式中，第i类健康状态评估概率值，k为健康状态的分类数目；yi是模型全连接输出层的第i个神经元的输出，yj模型全连接输出层的第j个神经元的输出，e为自然指数。

40、将多分支resnet层提取的高维特征降维，输出每类健康状态的预测值。

41、进一步，更新优化firresnet故障诊断模型的方法如下：

42、以交叉熵损失函数作为firresnet故障诊断模型的优化函数，通过最小化交叉熵损失，对firresnet模型进行更新，更新函数为：

43、

44、其中，x是振动样本组成的训练集，γ＝{ωc,b,θ,w,b}是firresnet故障诊断模型的模型参数，ωc和b分别为fir滤波层的中心频率和带宽，θ为分支resnet层的模型参数，w∈rclass×384和b∈rclass分别是全连接层的权重矩阵与偏置向量；和分别是真实故障标签值与预测标签值，k是健康状态的分类数目；argmin为专用数学表示符号；

45、根据链式求导法则，逐层计算模型参数的梯度并更新，第一层的fir滤波层参数更新：

46、

47、其中，是偏导算子，η是学习率，l是迭代次数；l为fir滤波核的长度，y∈rk×1是firresnet故障诊断模型的推理结果，v为多分支resnet层输出的特征向量；hi∈r1×2048表示经第i个fir滤波核滤波后的信号分量，hi表示第i个滤波核的构造；为第i个fir滤波核更新后的中心频率和带宽；为第i个fir滤波核当前的中心频率和带宽；yi是模型全连接输出层的第i个神经元的输出，n表示当前迭代次数；

48、和是fir滤波核解析表达式对中心频率参数和带宽参数的偏导，分别计算：

49、

50、其中，ωci和bi是第i个滤波核的可学习参数，ωchi和ωcli分别表示通带上边频和通带下变频；简记符号λn＝0.5(2n-l+1)。

51、优化模型，增强模型故障诊断的准确度。

52、本发明还提供一种基于强抗噪的firresnet模型的故障诊断系统，包括数据采集模块和故障诊断模块，所述数据采集模块用于采集设备不同健康状态下的振动信号，数据采集模块的输出端与故障诊断模块的输入端连接，所述故障诊断模块执行本发明所述方法，进行故障诊断。

53、利用该系统对设备进行故障诊断，操作简单，利于使用。

54、本发明还提供一种齿轮箱故障测试系统，包括二级齿轮箱、磁粉制动器、载荷控制器、电机和本发明所述故障诊断系统；

55、所述磁粉制动器通过连轴器与二级齿轮箱连接，所述载荷控制器的输出端与磁粉制动器的控制端连接，所述电机的转动轴与二级齿轮箱连接；

56、所述故障诊断系统的数据采集模块与二级齿轮箱连接，用于采集二级齿轮箱内故障齿轮的振动信号。

57、齿轮箱故障测试系统利用故障诊断系统探查齿轮故障，利于故障排查、设备维护。