一种基于ELCNN的旋转机械故障诊断方法及系统

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。

技术特征：

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：

技术总结
本发明公开了一种基于ELCNN的旋转机械故障诊断方法及系统。所述方法包括：获取旋转机械故障振动信号；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；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。本发明采用的模型更具轻量化、可解释性和抗噪性，且诊断正确率得到进一步提升。

技术研发人员：庞鹏飞,唐建,芮挺,何雷,张靖,何晓辉,张祥坡,周春华,薛金红
受保护的技术使用者：中国人民解放军陆军工程大学
技术研发日：
技术公布日：2024/2/1