1.一种基于卷积神经网络的轴承故障诊断方法,其特征在于,所述方法包括以下步骤:将从旋转机械设备获取的多故障状态振动信号进行预处理,检测并去除异常突变信号,得到第一振动信号;
基于多小波感知核进行特征提取和融合,具体包括:
构造多种不同尺度不同类型的多小波感知核,对第一振动信号进行全频段多尺度多层次分解,获取第一振动信号从低频至高频的多个频带分量,利用平滑移动采样方法分割每个频带分量,计算提升多小波信息熵,作为原始特征空间,对所有频带分量的原始特征空间进行相对应频段特征指标整合,获取低频段频带簇空间和高频段频带簇空间,利用特征降维方法将对应频带分量的低频段频带簇空间和高频段频带簇空间进行降维,融合得到从低频至高频的融合特征空间;
对融合特征空间进行划分,得到训练特征空间和测试特征空间,并通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘,其中深度特征校准包括:将训练特征空间表示为第一输入矩阵,将第一输入矩阵进行数据转换得到第二输入矩阵,对第二输入矩阵使用全局平均池化,并利用两个全连接层完成激励操作,得到过程权重,将第二输入矩阵与过程权重相乘得到校准后的训练特征空间;通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘,得到深层次特征空间;利用深层次特征空间迭代优化已训练好的轴承故障诊断模型,得到故障识别网络;
输入测试特征空间到故障识别网络进行故障识别,输出轴承诊断结果。
2.根据权利要求1所述的基于卷积神经网络的轴承故障诊断方法,其特征在于,所述将从旋转机械设备获取的多故障状态振动信号进行预处理的步骤,具体包括:对多故障状态振动信号进行归一化处理,把数据映射到0~1范围之内处理;
对归一化处理后的数据进行异常突变值检测和去除,得到第一振动信号,以降低计算复杂度,减少异常突变值对数据处理的影响。
3.根据权利要求1所述的基于卷积神经网络的轴承故障诊断方法,其特征在于,其中所述轴承故障诊断模型包括特征注意力校准模块、深度特征挖掘模块、参数优化与损失函数计算模块,深层特征挖掘模块包括:两个卷积层、两个池化层以及一个第三全连接层;
所述通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘,得到深层次特征空间的步骤,具体包括:将训练特征空间输入第一卷积层,经过第一卷积层处理得到的特征图输入第一池化层,经过第一池化层处理得到的特征图输入第二卷积层,经过第二卷积层处理得到的特征图输入第二池化层,之后从第三全连接层输出;
所述参数优化与损失函数计算模块,用于搭建轴承故障诊断模型,以及利用深层次特征空间迭代优化轴承故障诊断模型得到故障识别网络。
4.根据权利要求3所述的基于卷积神经网络的轴承故障诊断方法,其特征在于,其中所述特征注意力校准模块包括:依次连接的数据转换层、全局平均池化层和两个全连接层。
5.根据权利要求1所述的基于卷积神经网络的轴承故障诊断方法,其特征在于,所述方法还包括:在所述通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘的步骤前,基于多小波感知核,搭建、训练深度学习诊断模型,得到轴承故障诊断模型。
6.根据权利要求5所述的基于卷积神经网络的轴承故障诊断方法,其特征在于,所述基于多小波感知核,搭建、训练深度学习诊断模型的步骤,具体包括:基于特征注意力网络,搭建特征注意力校准模块;
搭建深度特征挖掘模块、参数优化和损失函数计算模块,与特征注意力校准模块构成深度学习诊断模型;
对深度学习诊断模型进行参数预设,并计算损失函数;
利用划分后的训练特征空间输入所述深度学习诊断模型,进行网络训练;
根据指定评判规则判断所述深度学习诊断模型的有效性,得到轴承故障诊断模型,并迭代得到故障识别网络;其中指定评判规则包括损失函数收敛速度和故障分类准确率;
将划分后的测试特征空间输入到故障识别网络,进行故障识别和分类,输出分类结果。
7.一种基于卷积神经网络的轴承故障诊断系统,用于如权利要求1-6任意一项所述的方法,其特征在于,所述系统包括:数据预处理单元、特征提取与融合单元、故障诊断单元和结果输出单元;
所述故障诊断单元耦合有轴承故障诊断模型,该轴承故障诊断模型包括:特征注意力校准模块、深度特征挖掘模块和参数优化与损失函数计算模块;
所述数据预处理单元,用于将从旋转机械设备获取的多故障状态振动信号进行预处理,得到第一振动信号;
所述特征提取与融合单元,用于基于多小波感知核进行特征提取和融合,包括对第一振动信号进行分解、特征指标计算、频段特征指标整合、融合特征空间构建;
所述故障诊断单元,用于通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘;
所述结果输出单元,用于输入测试特征空间到故障识别网络进行故障识别,输出轴承诊断结果。