一种基于多尺度深度可分离卷积的轻量级轴承故障诊断方法

本发明涉及轴承故障诊断，具体涉及一种基于多尺度深度可分离卷积的轻量级轴承故障诊断方法。

背景技术：

1、滚动轴承是旋转机械设备中的关键部件，其运行状态直接影响设备的安全性和稳定性。轴承在长期运行中容易因载荷波动、润滑不足、装配误差和疲劳磨损等因素产生内圈故障、外圈故障、滚动体故障等损伤。轴承故障通常会在振动信号中表现为冲击成分、周期性调制成分和频带特征变化，因此，基于振动信号的轴承故障诊断方法被广泛应用于设备状态监测。

2、传统轴承故障诊断方法通常依赖人工提取时域、频域或时频域特征，再结合支持向量机、随机森林等分类器进行故障识别。该类方法对人工经验依赖较强，在工况变化、噪声干扰和故障特征微弱的情况下，容易出现特征表达不足和类别识别不稳定的问题。

3、随着深度学习技术的发展，卷积神经网络被应用于轴承故障诊断。现有方法通常对原始振动信号进行分段和归一化处理，再通过一维卷积神经网络提取故障特征，并利用全连接层和softmax分类器输出故障类别。为了提取不同尺度的故障特征，部分方法采用多个不同卷积核尺寸的标准卷积层并行处理振动信号，并将各卷积分支输出的特征进行拼接或相加。

4、然而，现有基于标准卷积或多尺度标准卷积的轴承故障诊断模型通常存在参数量大、计算量高的问题。随着卷积核数量、通道数和网络层数的增加，模型存储开销和浮点运算量明显增大，难以部署在嵌入式监测系统、无线传感器节点、微控制器等资源受限的边缘设备中。

5、同时，现有多尺度卷积方法通常采用直接拼接或直接相加的方式融合不同尺度特征，缺乏对不同尺度分支和不同通道特征重要性的精细化调节。由于轴承振动信号中的故障冲击特征具有局部性和弱幅值特征，简单融合方式容易引入冗余特征和噪声特征，影响多尺度故障特征的表达效果。

6、此外，现有轴承故障诊断模型多采用全连接层结合softmax分类器进行分类，分类结果容易受到特征变化影响。工业现场中振动信号幅值会随转速、负载、安装位置和采集条件发生变化，进而导致分类边界不稳定。同时，单独采用交叉熵损失函数训练模型时，对同类特征聚合程度和不同类别特征分离程度约束不足，容易出现类内分布松散、类间边界不清晰的问题。

技术实现思路

1、本发明旨在解决上述技术问题而提供一种基于多尺度深度可分离卷积的轻量级轴承故障诊断方法，在降低轴承故障诊断模型参数量和计算复杂度的同时，提高模型对多尺度局部故障特征的表达能力，并增强不同故障类别之间的判别性。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于多尺度深度可分离卷积的轻量级轴承故障诊断方法，包括如下步骤：

4、采集滚动轴承的原始振动信号，对所述原始振动信号进行预处理，得到输入样本；

5、构建轻量化诊断模型，所述轻量化诊断模型包括多尺度深度可分离卷积模块、子块级通道注意力模块、特征归一化模块和类别中心分类头；

6、将所述输入样本输入所述多尺度深度可分离卷积模块，提取得到多个尺度特征；

7、通过所述子块级通道注意力模块对所述多个尺度特征进行加权融合，得到融合故障特征；通过全局平均池化对所述融合故障特征进行处理，得到由多个特征向量构成的特征矩阵；将所述特征矩阵与所述类别中心分类头中的类别中心矩阵的转置矩阵进行矩阵乘法处理，得到故障类别预测结果；通过所述特征归一化模块对所述特征向量和所述类别中心矩阵中的类别中心向量进行归一化处理，得到归一化特征向量和归一化类别中心；

8、根据所述故障类别预测结果、所述归一化特征向量和所述归一化类别中心构建组合损失函数，并根据所述组合损失函数训练所述轻量化诊断模型；其中，所述组合损失函数包括作用于所述故障类别预测结果的交叉熵损失、用于约束同一故障类别的归一化特征向量靠近对应归一化类别中心的类内紧凑损失，以及用于约束不同故障类别的归一化类别中心相互分离的类间分离损失。

9、进一步的，对所述原始振动信号进行预处理，得到输入样本，包括：将所述原始振动信号按照预设样本长度进行分割，得到固定长度的样本段；对每个所述样本段进行归一化处理，得到归一化样本段；将所述归一化样本段作为所述输入样本。进一步的，所述多尺度深度可分离卷积模块包括第一多尺度深度可分离卷积分支和第二多尺度深度可分离卷积分支；所述第一多尺度深度可分离卷积分支包括卷积核尺寸分别为3、5和7的三个并行一维深度卷积层；所述第二多尺度深度可分离卷积分支包括卷积核尺寸分别为9、11和13的三个并行一维深度卷积层。进一步的，所述第一多尺度深度可分离卷积分支和所述第二多尺度深度可分离卷积分支均包括多尺度深度可分离卷积单元；

10、所述多尺度深度可分离卷积单元包括三个并行一维深度卷积层、子块级通道注意力子模块、第一批归一化层、第一silu激活层、第一最大池化层、1×1逐点卷积层、第二批归一化层、第二silu激活层和第二最大池化层；

11、所述三个并行一维深度卷积层的卷积核尺寸分别设置为k、k+2和k+4，所述三个并行一维深度卷积层的步长均相同，并采用零填充方式保持特征长度不变；

12、所述三个并行一维深度卷积层分别对输入至对应分支的特征进行卷积处理，得到三个分支尺度特征；将所述三个分支尺度特征按照尺度维度进行堆叠，得到形状为b×3×c×l的分支多尺度堆叠特征，其中，b为批次大小，c为特征通道数，l为特征长度；

13、将所述分支多尺度堆叠特征输入所述子块级通道注意力子模块进行加权处理，得到分支加权多尺度特征；对所述分支加权多尺度特征按照尺度维度进行按元素累加融合，得到形状为b×c×l的分支融合特征；

14、将所述分支融合特征依次输入所述第一批归一化层、所述第一silu激活层和所述第一最大池化层进行处理，得到第一池化特征；将所述第一池化特征输入所述1×1逐点卷积层进行通道调整，得到通道调整特征；将所述通道调整特征依次输入所述第二批归一化层、所述第二silu激活层和所述第二最大池化层进行处理，得到分支输出特征。进一步的，将所述分支多尺度堆叠特征输入所述子块级通道注意力子模块；将所述分支多尺度堆叠特征中的c个特征通道分别作为c个子块，并将所述分支多尺度堆叠特征中的特征长度维度作为统计维度；

15、沿所述统计维度对所述分支多尺度堆叠特征进行全局平均池化，得到形状为b×3×c×1的平均池化统计特征；沿所述统计维度对所述分支多尺度堆叠特征进行全局最大池化，得到形状为b×3×c×1的最大池化统计特征；

16、将所述平均池化统计特征输入共享二维卷积网络，得到第一注意力中间特征；将所述最大池化统计特征输入所述共享二维卷积网络，得到第二注意力中间特征；将所述第一注意力中间特征和所述第二注意力中间特征相加，并通过sigmoid函数进行归一化处理，得到形状为b×3×c×1的注意力权重；将所述注意力权重与所述分支多尺度堆叠特征进行广播相乘，得到形状为b×3×c×l的所述分支加权多尺度特征。进一步的，所述共享二维卷积网络包括第一1×1二维卷积层、silu激活层和第二1×1二维卷积层；

17、所述第一1×1二维卷积层的输入通道数为3，输出通道数为3除以预设压缩系数后取整得到的数值，所述预设压缩系数为0.5；所述第二1×1二维卷积层的输入通道数为3除以所述预设压缩系数后取整得到的数值，输出通道数为3；

18、将所述平均池化统计特征输入所述第一1×1二维卷积层进行卷积处理，并通过所述silu激活层进行激活处理，再输入所述第二1×1二维卷积层进行卷积处理，得到形状为b×3×c×1的所述第一注意力中间特征；将所述最大池化统计特征输入所述第一1×1二维卷积层进行卷积处理，并通过所述silu激活层进行激活处理，再输入所述第二1×1二维卷积层进行卷积处理，得到形状为b×3×c×1的所述第二注意力中间特征。进一步的，通过所述特征归一化模块对所述融合故障特征进行归一化处理，得到归一化特征向量，包括：对所述融合故障特征进行全局平均池化，得到形状为b×d的故障特征向量，其中，b为批次大小，d为特征向量维度；对第i个样本对应的故障特征向量fi进行l2归一化处理，得到第i个样本对应的归一化特征向量，所述归一化特征向量表示为：

19、

20、其中，表示所述故障特征向量f的l2范数；

21、所述类别中心分类头包括可学习类别中心矩阵，所述可学习类别中心矩阵的形状为c×d，其中，c为故障类别数量，d为所述特征向量维度；

22、定义所述可学习类别中心矩阵中的第j行对应第j个故障类别的类别中心向量；对所述类别中心向量进行l2归一化处理，得到第j个故障类别对应的归一化类别中心，所述归一化类别中心表示为：

23、

24、其中，表示所述类别中心向量的l2范数。

25、进一步的，将所述特征矩阵与所述可学习类别中心矩阵的转置矩阵进行矩阵乘法处理，得到形状为b×c的故障类别预测矩阵logits

26、将所述故障类别预测矩阵logits作为分类逻辑值；根据所述分类逻辑值中各故障类别对应的预测值的最大值，确定所述故障类别预测结果。

27、进一步的，根据所述故障类别预测结果、所述归一化特征向量和所述归一化类别中心向量构建组合损失函数，包括：

28、获取批次内b个输入样本分别对应的归一化特征向量、真实故障类别标签和分类逻辑值，其中，所述真实故障类别标签构成标签向量labels，所述标签向量labels的长度为b；根据所述分类逻辑值和所述标签向量labels确定交叉熵损失；

29、根据每个输入样本对应的归一化特征向量与所述标签向量labels指示的归一化类别中心向量的距离，确定类内紧凑损失，所述类内紧凑损失表示为：

30、

31、其中，为批次内输入样本对应的归一化特征向量，centers[labels]为根据所述标签向量labels选取的归一化类别中心向量，||·||2表示向量各分量差值的平方和，mean表示对批次内输入样本取平均值；

32、根据不同故障类别对应的归一化类别中心向量之间的距离和预设间隔参数，确定类间分离损失，所述类间分离损失表示为：

33、

34、其中，p和q为不同故障类别的类别编号，margin为预设间隔参数，centers[p]为第p个故障类别对应的归一化类别中心向量，centers[q]为第q个故障类别对应的归一化类别中心向量，表示取0和括号内数值中的较大值，表示对不同故障类别的类别中心对取平均值；根据所述交叉熵损失、所述类内紧凑损失和所述类间分离损失，确定组合损失函数，所述组合损失函数表示为：

35、

36、其中，和为损失权重系数。

37、进一步的，基于所述组合损失函数，采用梯度下降法更新所述轻量化诊断模型的模型参数和所述可学习类别中心矩阵；

38、重复执行所述模型参数和所述可学习类别中心矩阵的更新过程，直至达到预设训练轮次，得到训练后的轻量化诊断模型；

39、采集实时滚动轴承振动信号，对所述实时滚动轴承振动信号进行预处理后输入所述训练后的轻量化诊断模型，得到实时故障类别预测结果。

40、与现有技术相比，本发明具有以下有益效果：

41、1、本发明采用多尺度深度可分离卷积模块对输入样本进行特征提取，通过一维深度卷积层与逐点卷积层配合替代标准卷积结构，减少了模型参数数量和计算量，使轻量化诊断模型更适于部署在嵌入式监测系统、无线传感器节点和微控制器等资源受限的边缘设备中。

42、2、本发明通过第一多尺度深度可分离卷积分支和第二多尺度深度可分离卷积分支分别提取不同尺度范围内的振动信号特征，并将多个尺度特征按照尺度维度进行堆叠和融合，使轻量化诊断模型能够同时提取滚动轴承振动信号中的局部冲击特征和较宽尺度范围内的故障变化特征。

43、3、本发明通过子块级通道注意力模块对多尺度堆叠特征进行加权处理，将通道维度作为子块维度，并结合全局平均池化、全局最大池化和共享卷积网络生成注意力权重，使模型能够对不同尺度分支和不同通道子块进行差异化重标定，降低冗余特征和噪声特征对故障诊断结果的影响。

44、4、本发明通过对特征和分类头计算中的类别中心进行归一化，用归一化的特征向量与类别中心计算类内紧凑损失和类间分离损失，并采用包括交叉熵损失、类内紧凑损失和类间分离损失的组合损失函数训练轻量化诊断模型，降低特征模长变化对分类结果的影响，提高同类故障特征的一致性和不同故障类别之间的可区分性。