本发明属于轴承故障诊断，具体涉及一种基于多尺度小波阈值化网络的轴承故障诊断方法及系统。
背景技术：
1、近年来，智能制造技术不断发展和完善。随着人工智能、大数据和物联网等技术与传统工业的不断融合，工业机械设备健康检测的智能化水平不断提高。轴承作为大多数旋转机械设备的关键部件，经常工作在复杂工况条件下，出现故障的概率很高。轴承出现故障不仅影响设备的安全性和可靠性，还容易造成巨大的经济损失和人员伤亡。因此，开展轴承故障诊断方法的研究对及时进行有效的维修具有重要意义。
2、传统的故障诊断方法基于故障特征提取和专家模式进行故障诊断，需要大量的专家知识，人为因素对诊断结果的干扰很大，不能满足旋转机械设备健康检测智能化的要求。近年来，随着人工智能技术的快速发展，基于深度学习的轴承故障诊断方法在工业场景中得到了广泛的应用，可以较好地解决上述问题，逐渐成为研究热点。为了对轴承振动信号进行有效的特征提取，现有的信号处理方法往往采用时频分析方法进行信号预处理后输入进模型中进行进一步的处理，然而这种方式使得时频分析的过程不能很好的融入到后续的神经网络中，时频分析方法的自适应程度不高。
技术实现思路
1、基于现有技术中存在的上述不足，本发明的目的是提供一种基于多尺度小波阈值化网络的轴承故障诊断方法及系统。
2、为了达到上述发明目的，本发明采用以下技术方案：
3、一种基于多尺度小波阈值化网络的轴承故障诊断方法，包括以下步骤：
4、s1、按预设的采样率采集轴承故障振动信号，构成轴承故障数据集；
5、s2、将轴承故障数据集按预设比例划分为训练集和测试集；
6、s3、将训练集的一维的轴承故障振动信号输入故障诊断模型进行训练，故障诊断模型的训练过程包括：通过多尺度卷积小波分解网络对轴承故障振动信号进行分频分析；其中，多尺度卷积小波分解网络包括三个不同尺度卷积核的单通路卷积小波分解网络；不同通路的卷积小波分解网络用于提取不同特性的时频特征；利用深度残差收缩网络和bigru的并联网络drsn-bigru对多尺度卷积小波分解网络的输出特征进一步的特征提取；利用全连接层和droupout层对drsn-bigru的输出特征进行分类；
7、s4、计算模型整体损失函数的值，使用adam优化算法对模型进行参数更新；
8、s5、迭代执行步骤s3到步骤s4，直至模型训练收敛，得到训练好的模型；
9、s6、将测试集的数据输入训练好的模型进行数据的分类，计算损失和准确率，实现轴承故障诊断。
10、作为优选方案，所述步骤s1中，预设的采样率为12khz。
11、作为优选方案，所述步骤s2中，训练集与测试集的比例为7：3。
12、作为优选方案，所述步骤s3中，多尺度卷积小波分解网络中设置的卷积核的尺度分别为4×1、6×1和8×1，每个卷积核分别使用db2、db3和db4小波基函数进行初始化。
13、作为优选方案，所述步骤s3中，bigru由前向gru与反向gru构成，前向gru与反向gru的神经单元数量设置为32。
14、作为优选方案，所述步骤s3中，droupout层设置的参数为0.5。
15、作为优选方案，所述步骤s3中，所使用的adam优化算法设置的学习率为0.01。
16、作为优选方案，所述步骤s4中，迭代次数为100。
17、作为优选方案，所述步骤s6中，使用准确率作为模型的评价指标。
18、本发明还提供一种基于多尺度小波阈值化网络的轴承故障诊断系统，应用如上任一项方案所述的轴承故障诊断方法，所述轴承故障诊断系统包括：
19、采集模块，用于按预设的采样率采集轴承故障振动信号，构成轴承故障数据集；
20、数据集划分模块，用于将轴承故障数据集按预设比例划分为训练集和测试集；
21、训练模块，用于将训练集的一维的轴承故障振动信号输入故障诊断模型进行训练，故障诊断模型的训练过程包括：通过多尺度卷积小波分解网络对轴承故障振动信号进行分频分析；其中，多尺度卷积小波分解网络包括三个不同尺度卷积核的单通路卷积小波分解网络；不同通路的卷积小波分解网络用于提取不同特性的时频特征；利用深度残差收缩网络和bigru的并联网络drsn-bigru对多尺度卷积小波分解网络的输出特征进一步的特征提取；利用全连接层和droupout层对drsn-bigru的输出特征进行分类；
22、更新模块，用于计算模型整体损失函数的值，使用adam优化算法对模型进行参数更新；
23、迭代模块，用于迭代训练模型，直至模型训练收敛，得到训练好的模型；
24、测试模块，用于将测试集的数据输入训练好的模型进行数据的分类，计算损失和准确率，实现轴承故障诊断。
25、本发明与现有技术相比，有益效果是：
26、(1)本发明提出一种新的多尺度卷积小波分解模块，使用多尺度卷积神经网络实现传统的多级离散小波分解的过程。一方面通过多尺度卷积的结构可以更全面的提取轴承故障数据的特征。另一方面，使用多尺度卷积神经网络实现多级离散小波分解可以使得时频分析的过程与后续的神经网络实现很好的融合，进行时频分析的自适应程度更高；
27、(2)本发明使用深度残差收缩网络进行特征提取，其中深度残差收缩网络中包含软阈值化的结构，与多尺度卷积小波分解模块结合可以滤除输入数据中的无关成分，可以改善故障诊断的效果。
1.一种基于多尺度小波阈值化网络的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s1中，预设的采样率为12khz。
3.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s2中，训练集与测试集的比例为7：3。
4.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s3中，多尺度卷积小波分解网络中设置的卷积核的尺度分别为4×1、6×1和8×1，每个卷积核分别使用db2、db3和db4小波基函数进行初始化。
5.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s3中，bigru由前向gru与反向gru构成，前向gru与反向gru的神经单元数量设置为32。
6.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s3中，droupout层设置的参数为0.5。
7.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s3中，所使用的adam优化算法设置的学习率为0.01。
8.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s4中，迭代次数为100。
9.根据权利要求1-8任一项所述的轴承故障诊断方法，其特征在于，所述步骤s6中，使用准确率作为模型的评价指标。
10.一种基于多尺度小波阈值化网络的轴承故障诊断系统，应用如权利要求1-9任一项所述的轴承故障诊断方法，其特征在于，所述轴承故障诊断系统包括：