本发明涉及设备故障诊断,特别涉及一种基于可解释轻量级1d cnn(explainable light weight 1d cnn,elcnn)的旋转机械故障诊断方法及系统。
背景技术:
1、用于振动故障诊断的一维卷积神经网络(1-dimensional convolution neuralnetwork,1d cnn)由于其强大的数据抽象、端到端的结构和基于一维振动信号自适应学习特征的能力,特别适合在全局上对故障诊断各环节进行整体改进、优化,提升诊断的智能化水平。现有的1dcnn故障诊断模型,虽然通过不断优化网络结构,提升对信号特征的提取能力,但存在模型复杂、可解释性差的问题。
技术实现思路
1、本发明的目的在于提出一种基于elcnn的旋转机械故障诊断方法及系统,以解决现有1d cnn模型计算复杂度高、可解释性差的问题,满足机载、便携式设备对模型存储、计算效率和可靠性提出的更高要求。
2、为实现上述目的,本发明采用如下技术方案:
3、一方面,一种基于elcnn的旋转机械故障诊断方法,包括:
4、获取旋转机械故障振动信号;
5、将旋转机械故障振动信号输入elcnn模型,输出得到故障诊断分类结果;
6、其中,所述elcnn模型是通过将gcnn模型的卷积层数压缩为1层,优化卷积核尺寸和滤波器数量,去除卷积层的卷积核偏置和激活函数,去除池化层,并使用s-gap层替换gap层得到的。
7、进一步地,所述elcnn模型中卷积层的卷积核尺寸为16*1,滤波器数量为10,s-gap层的square运算次数为2-3次。
8、进一步地,所述elcnn模型的卷积核尺寸、滤波器数量是基于cwru数据集和xjtu数据集优选得到的最大尺度保留信号时频特征的参数值;所述s-gap层的square运算次数是通过模型的轻量化、抗噪性、可解释性实验得到的。
9、进一步地,所述elcnn模型通过以下方法训练得到:
10、采集旋转机械故障振动原始信号;
11、对所述原始信号进行等间隔顺序采样,获得设定采样长度的样本信号,对获得的样本信号进行归一化处理,得到样本集;
12、设置样本类别标签,按照7:2:1的比例将样本集划分为训练集、验证集和测试集;对测试集数据添加与样本信号成正比的加性高斯白噪声,得到带噪声的样本信号测试集;
13、采用训练集对elcnn模型进行训练,通过梯度下降和反向传播训练模型,并采用验证集对模型训练效果进行验证;
14、采用带噪声的样本信号测试集对elcnn模型进行测试。
15、进一步地,所述采样长度为4096。
16、进一步地,s-gap层的square运算次数为2次时elcnn模型的轻量化性能比square运算次数为3次时更优。
17、进一步地,s-gap层的square运算次数为3次时elcnn模型学习的故障频率特征可解释性比square运算次数为2次时更强。
18、另一方面,本发明提供了一种基于elcnn的旋转机械故障诊断系统,包括:
19、信号获取模块,用于获取旋转机械故障振动信号;
20、故障诊断模块,用于将旋转机械故障振动信号输入elcnn模型,输出得到故障诊断分类结果;
21、其中,所述elcnn模型是通过将gcnn模型的卷积层数压缩为1层,优化卷积核尺寸和滤波器数量,去除卷积层的卷积核偏置和激活函数,去除池化层,并使用s-gap层替换gap层得到的。
22、与现有的1d cnn模型相比,本发明所达到的有益技术效果为:
23、本发明在保证诊断正确率的情况下减少了模型参数和运算量,提高了模型的抗噪性、可解释性,轻量化性能更优,能更有效的提升模型在强干扰环境下故障诊断准确率和泛化能力,更适用于机载、便携式设备的故障诊断。
1.一种基于elcnn的旋转机械故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于elcnn的旋转机械故障诊断方法,其特征在于,所述elcnn模型中卷积层的卷积核尺寸为16*1,滤波器数量为10,s-gap层的square运算次数为2-3次。
3.根据权利要求2所述的基于elcnn的旋转机械故障诊断方法,其特征在于,所述elcnn模型的卷积核尺寸、滤波器数量是基于cwru数据集和xjtu数据集优选得到的最大尺度保留信号时频特征的参数值;所述s-gap层的square运算次数是通过模型的轻量化、抗噪性、可解释性实验得到的。
4.根据权利要求1所述的基于elcnn的旋转机械故障诊断方法,其特征在于,所述elcnn模型通过以下方法训练得到:
5.根据权利要求4所述的基于elcnn的旋转机械故障诊断方法,其特征在于,所述采样长度为4096。
6.根据权利要求2所述的基于elcnn的旋转机械故障诊断方法,其特征在于,s-gap层的square运算次数为2次时elcnn模型的轻量化性能比square运算次数为3次时更优。
7.根据权利要求2所述的基于elcnn的旋转机械故障诊断方法,其特征在于,s-gap层的square运算次数为3次时elcnn模型学习的故障频率特征可解释性比square运算次数为2次时更强。
8.一种基于elcnn的旋转机械故障诊断系统,其特征在于,包括: