(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111627560.6 (22)申请日 2021.12.28 (71)申请人 鞍钢集团自动化有限公司 地址 114002 辽宁省鞍山市高新区越岭路 259号 (72)发明人 刘佳伟　金鹏　葛超　杨奇睿　 吴晓宁　臧理萌　 (74)专利代理 机构 鞍山嘉讯科技专利事务所 (普通合伙) 21224 代理人 张群 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/00(2022.01) (54)发明名称 一种基于多尺度神经网络的滚动轴承故障 诊断方法 (57)摘要 一种基于多尺度神经网络的滚动轴承故障 诊断方法， 利用随机排序的历史样 本数据导入到 多尺度神经网络的滚动轴承故障诊断模型中， 从 而实现多尺度上下文时序信号的滚动轴承故障 诊断， 从而实现了滚动轴承早中期故障诊断， 同 时通过准确率和损失值的曲线变化波动较小， 表 明多尺度神经网络的滚动轴承故障诊断模型稳 定性好， 且准确率达到98 .75％， 损失值为 0.000052， 模型诊断识别精度较高。 权利要求书1页 说明书4页 附图1页 CN 114186499 A 2022.03.15 CN 114186499 A 1.一种基于多尺度神经网络的滚动轴承故障诊断方法， 包括CPU处理器、 电机、 扭矩传 感器、 译码器、 功率测试器以及加速度传感器， 其特 征在于， 包括以下步骤： (S1)通过扭矩传感器、 扭矩传感器、 译码器、 功率测试器、 加速度传感器获取滚动轴承 设备的故障信号， 对其进行制作分类标签预处 理， 得到时域 一维故障信号数据样本； (S2)构建多尺度神经网络的滚动轴承故障诊断模型； (S3)将预处理后的时域一维故障信号数据样本按照训练集和测试集8:2划分， 并将数 据集输入多尺度神经网络的滚动轴承故障诊断模 型进行训练， 取Adam损失函数学习率分别 为0.0001， 交叉熵损失函数构， 得到 完整训练模型。 2.根据权利要求1所述的一种基于多尺度神经网络的滚动轴承故障诊断方法， 其特征 在于， 所述的步骤(S1)， 使用的数据集是包含不同故障、 正常信号的数据段， 将原始数据每 种类型按2000数据点为一段截取， 使用wiener  filtering算法对每段数据进行了4倍降采 样， 以每个数据样本的长度为500个数据点与第501个点的标签值为一行数据存入本地csv 表格中， 得到时域 一维故障信号数据样本 。 3.根据权利要求2所述的一种基于多尺度神经网络的滚动轴承故障诊断方法， 其特征 在于， 所述的数据集， 制作流 程包括以下步骤： (S11)文件夹位置， 程序在+ “/data/”读取不同故障类别的源数据， 在+ “/output/ ”存放 分割处理后的数据； (S12)读取源数据， 设定数据长度为501， 源数据是对原始数据进行分割， 获得类型样 本； (S13)对分割处 理后的数据打 分类标签。 4.根据权利要求1所述的一种基于多尺度神经网络的滚动轴承故障诊断方法， 其特征 在于， 所述的步骤(S2)构建多尺度神经网络的滚动轴承故障诊断模型， 包括特征提取模块、 分类器模块； 特征提取模块采用D CNN对故障信号进 行多尺度特征提取， 构建了4层空洞率为 1、 1、 3、 3的卷积层和2层最大池化层， 提取振动信号中不同尺度的故 障特征， 并将提取的故 障特征流入分类器模块； 分类器模块将故障特征信号融入GRU网络的特征和CNN网络的特征 进行故障融合和故障分类， GRU网络采用了2层GRU网络和1层Attention层对多尺度特征信 号中的时序特征进行提取， CNN网络采用了3层空洞率为1、 1、 3的卷积层和1层全局最大池化 层， 提取时序特征的全局信息， 最终将GRU网络的特征和 CNN网络的特征相加后送入分类层 进行分类。权　利　要　求　书 1/1 页 2 CN 114186499 A 2一种基于多尺度神经 网络的滚动轴承故障诊断方 法 技术领域 [0001]本发明涉及故障预测技术领域， 特别涉及 一种基于多尺度神经网络的滚动轴承故 障诊断方法。 背景技术 [0002]目前工业智能制造领域发展迅速， 但是在相关设备的维护， 分析诊断方面技术还 并不成熟， 部分旋转设备安装场所一般都处于比较恶劣的环境， 并且还停留在依靠维护人 员五感进行点检。 因为故障周期内不同时期的故障程度不同， 早中期故障的故障特征信号 与后期故障信号尺度相 差较大容易被淹没， 所以对早中期故障发现率较低， 进而旋转设备 故障导致整个生产线停机的事故成本巨大。 传统的神经网络故障诊断模型只对单一尺度的 故障信号的特 征敏感， 影响准确率。 发明内容 [0003]针对现有技术存在的问题及技术要求， 本发明的目的是提供了一种基于多尺度神 经网络的滚动轴承故障诊断方法， 利用随机排序的历史数据训练一维卷积神经网络， 提取 故障的局部特征， 将数据集导入到多尺度神经网络的滚动轴承故障诊断模型中， 从而实现 多尺度上 下文时序信号的滚动轴承故障诊断。 [0004]为了达到上述目的， 本发明采用以下技 术方案实现： [0005]一种基于多尺度神经网络的滚动轴承故障诊 断方法， 包括CPU处理器、 电机、 扭矩 传感器、 译码器、 功率测试器以及加速度传感器， 其特 征在于， 包括以下步骤： [0006](S1)通过扭矩传感器、 扭矩传感器、 译码器、 功率测 试器、 加速度传感器获取滚动 轴承设备的故障信号， 对其进行制作分类标签预处 理， 得到时域 一维故障信号数据样本； [0007](S2)构建多尺度神经网络的滚动轴承故障诊断模型； [0008](S3)将预处理后的时域一维故障信号数据样本按照训练集和测 试集8:2划分， 并 将数据集输入多尺度神经网络的滚动轴承故障诊断模型进 行训练， 取Adam损失函数学习率 分别为0.0 001， 交叉熵损失函数构， 得到 完整训练模型。 [0009]所述的步骤(S1)， 使用的数据集是包含不同故障、 正常信号的数据段， 将原始 数据 每种类型按2000数据点为一段截取， 使用wiener  filtering算法对每段数据进行了4倍降 采样， 以每个数据样本的长度为500个数据点与第501个点的标签值为一行数据存入本地 csv表格中， 得到时域 一维故障信号数据样本 。 [0010]所述的数据集， 制作流 程包括以下步骤： [0011](S11)文件夹位置， 程序在+ “/data/”读取不同故障类别的源数据， 在+ “/output/ ” 存放分割处 理后的数据； [0012](S12)读取源数据， 设定数据长度为501， 源数据是对原始 数据进行分割， 获得类型 样本； [0013](S13)对分割处 理后的数据打 分类标签。说　明　书 1/4 页 3 CN 114186499 A 3