本技术涉及航空发动机轴承故障诊断，特别是涉及一种航空发动机主轴承故障诊断方法及系统。
背景技术：
1、航空发动机作为具有高度复杂性和精密性的热力旋转机械，其安全性和可靠性对于整个飞行平台的安全至关重要。航空发动机转子主轴承长期工作在高温、高转速、高负荷的恶劣环境中，极易出现故障。目前主要通过振动传感器来检测主轴承因损伤引起的振动信号，其具有信号传递路径复杂、受背景环境噪声影响大、振动干扰强烈、样本的故障特征微弱不易提取的特点。传统的振动信号处理方法通过简单的滤波去噪和时频分析，更多地依赖人工经验，难以直接有效提取轴承早期故障特征。近年来，卷积神经网络(convolutional neural networks，cnn)在轴承故障诊断方面得到了广泛认可和普遍应用，卷积神经网络可以直接从原始数据中进行特征提取和深度学习，其特征提取能力远超于人工经验分析，并且能够进一步实现端到端的学习，即可以直接实现从原始数据端的学习映射到故障分类判别。
2、但是，在实际应用时，仍需要人工进行反复实验来设计cnn网络和设置相关的参数，需要花费大量人工调试时间且依赖于人工经验，并且由于振动信号不同故障特征所处位置和所占比重不一样，再加上外加噪声等外界因素的影响，因此单一尺度的卷积层很难提取并识别振动信号有效特征，识别能力有待提高。
3、因此，在利用卷积神经网络对航空发动机主轴承进行故障诊断时，如何提升故障识别效果，同时减少人工调试的时间和对人工经验的依赖，是本领域技术人员亟待解决的技术问题。
技术实现思路
1、为解决上述技术问题，本技术提供一种航空发动机主轴承故障诊断方法，能够提升故障识别效果，同时减少人工调试的时间和对人工经验的依赖。本技术还提供一种航空发动机主轴承故障诊断系统，具有相同的技术效果。
2、本技术的第一个目的为提供一种航空发动机主轴承故障诊断方法。
3、本技术的上述申请目的一是通过以下技术方案得以实现的：
4、一种航空发动机主轴承故障诊断方法，包括：
5、获取振动传感器采集的航空发动机主轴承的振动信号；
6、对所述振动信号进行分解与降噪处理，得到第一处理信号；
7、对所述第一处理信号进行预处理，得到第二处理信号；
8、将所述第二处理信号划分为训练集、验证集和测试集；
9、获取预先构建的多尺度一维卷积神经网络，并根据所述训练集、所述验证集和粒子群算法，确定所述多尺度一维卷积神经网络的目标网络参数；
10、根据所述目标网络参数和所述多尺度一维卷积神经网络，建立故障诊断模型；
11、利用所述训练集，对所述故障诊断模型进行训练，得到训练好的故障诊断模型；
12、利用所述训练好的故障诊断模型，对所述测试集进行诊断分析，得到故障诊断结果；
13、其中，所述多尺度一维卷积神经网络包括依次连接的输入层、多个特征提取层、全连接层和输出层，每个所述特征提取层包括依次连接的多尺度卷积层和池化层，前一个所述特征提取层中的所述池化层与后一个所述特征提取层中的所述多尺度卷积层连接，第一个所述特征提取层中的所述多尺度卷积层与所述输入层连接，最后一个所述特征提取层中的所述池化层与所述全连接层连接；
14、所述目标网络参数包括所述多尺度一维卷积神经网络中所述特征提取层的数目和每个所述多尺度卷积层中卷积核的数目。
15、优选地，所述航空发动机主轴承故障诊断方法中，所述对所述振动信号进行分解与降噪处理，得到第一处理信号，包括：
16、利用自适应噪声完备集成经验模态分解算法，对所述振动信号进行分解与降噪处理，得到第一处理信号。
17、优选地，所述航空发动机主轴承故障诊断方法中，所述利用自适应噪声完备集成经验模态分解算法，对所述振动信号进行分解与降噪处理，得到第一处理信号，包括：
18、在所述振动信号中添加成对的正负白噪声，得到加入噪声后的信号，并对所述加入噪声后的信号，利用经验模态分解算法进行分解，得到第一阶的内涵模态分量和第一阶的残留噪声，具体为：
19、
20、
21、
22、式中，x(t)表示所述振动信号，t表示时间，φ表示噪声幅值权重，vi表示呈标准分布的白噪声，q表示添加的正负白噪声，c1(t)表示所述第一阶的内涵模态分量，r1(t)表示所述第一阶的残留噪声，e(·)表示利用经验模态分解算法进行分解的函数，表示所述第一阶的内涵模态分量的平均值，n表示所述第一阶的内涵模态分量的数目；
23、根据所述第一阶的残留噪声，计算出下一阶的残留噪声，直到计算出的第k阶的残留噪声为单调函数，且无法继续分解时，输出分解后的第一处理信号，具体为：
24、
25、式中，表示第k阶的内涵模态分量的平均值，rk(t)为第k阶的残留噪声。
26、优选地，所述航空发动机主轴承故障诊断方法中，所述对所述第一信号进行预处理，得到第二处理信号，包括：
27、对所述第一处理信号进行幅度归一化处理，得到归一化信号；
28、对所述归一化信号进行去均值处理，得到第二处理信号。
29、优选地，所述航空发动机主轴承故障诊断方法中，所述幅度归一化处理的计算公式如下：
30、
31、式中，表示所述归一化信号，x(t)'表示所述第一处理信号。
32、优选地，所述航空发动机主轴承故障诊断方法中，所述对所述归一化信号进行去均值处理，得到第二处理信号，包括：
33、根据所述归一化信号，计算得到所述归一化信号的平均值；
34、将所述归一化信号，减去所述归一化信号的平均值，得到第二处理信号。
35、优选地，所述航空发动机主轴承故障诊断方法中，所述根据所述训练集、所述验证集和粒子群算法，确定所述多尺度一维卷积神经网络的目标网络参数，包括：
36、初始化粒子群算法参数，包括：粒子数目、粒子位置、粒子速度以及最大迭代次数，其中，粒子位置对应所述多尺度一维卷积神经网络中所述特征提取层的数目和每个所述多尺度卷积层中卷积核的数目，粒子速度对应所述多尺度一维卷积神经网络中所述特征提取层的数目和每个所述多尺度卷积层中卷积核的数目更新的大小和方向；
37、利用所述训练集，分别对每个粒子对应的所述多尺度一维卷积神经网络进行训练，得到每个粒子对应的训练后的多尺度一维卷积神经网络；
38、利用所述验证集，分别对每个粒子对应的训练后的多尺度一维卷积神经网络进行验证，得到每个粒子对应的训练后的多尺度一维卷积神经网络的分类正确率，作为每个粒子对应的适应度；
39、判断当前迭代次数是否达到最大迭代次数以及粒子对应的适应度是否达到预设的适应度阈值，
40、若当前迭代次数未达到最大迭代次数且当前粒子对应的适应度未达到预设的适应度阈值，则根据每个粒子对应的适应度，更新每个粒子的对应个体历史最佳位置以及所有粒子搜索到的全局历史最佳位置，根据更新后的每个粒子的对应个体历史最佳位置以及更新后的所有粒子搜索到的全局历史最佳位置，更新每个粒子的对应的粒子位置和粒子速度，然后返回执行所述利用所述训练集，分别对每个粒子对应的所述多尺度一维卷积神经网络进行训练，得到每个粒子对应的训练后的多尺度一维卷积神经网络的步骤，
41、若当前迭代次数达到最大迭代次数或者当前粒子对应的适应度达到预设的适应度阈值，则根据当前所有粒子搜索到的全局历史最佳位置，确定所述多尺度一维卷积神经网络的目标网络参数。
42、优选地，所述航空发动机主轴承故障诊断方法中，设有m个粒子，每个粒子有d维向量，其中：
43、第i个粒子的粒子位置表示为：xi＝(xi1,xi2,…,xid),i＝1,2,…,m
44、第i个粒子的粒子速度表示为：wi＝(wi1,wi2,…,wid),i＝1,2,…,m
45、将在空间中搜寻到的第i个粒子的个体历史最佳位置表示为：
46、pibest＝(pi1,pi2,...,pid),i＝1,2,...,m
47、将所有粒子搜索到的全局历史最佳位置表示为：
48、pgbest＝(pg1,pg2,...,pgd)
49、所述根据更新后的每个粒子的对应个体历史最佳位置以及更新后的所有粒子搜索到的全局历史最佳位置，更新每个粒子的对应的粒子位置和粒子速度，包括：
50、根据更新后的每个粒子的对应个体历史最佳位置以及更新后的所有粒子搜索到的全局历史最佳位置，按照如下公式，更新每个粒子的对应的粒子位置和粒子速度：
51、
52、
53、式中，表示第i个粒子的第d维度在第j+1次计算后的粒子速度，表示第i个粒子的第d维度在第j+1次计算后的粒子位置，表示第i个粒子的第d维度在第j次计算后的粒子速度，表示第i个粒子的第d维度在第j次计算后的粒子位置，ω表示惯性因子，ω∈[0,1]，c1表示个体认知加速度，c2表示整体认知加速度，r1和r1为(0,1)范围内的随机数，pid表示第i个粒子的第d维度在第j次计算后的个体历史最佳位置，pgd表示所有粒子的第d维度在第j次计算后的全局历史最佳位置，d∈1,2,...,d。
54、优选地，所述航空发动机主轴承故障诊断方法中，所述多尺度卷积层，用于通过多个不同尺度的卷积核对输入特征进行不同尺度的卷积，其中，卷积的定义为：
55、
56、式中，表示以卷积核尺度b的第a个输出特征，x表示输入特征，表示以核尺度b的第a个卷积核，ea表示输出第a个特征时所加的偏置，f(·)表示激活函数。
57、优选地，所述航空发动机主轴承故障诊断方法中，所述池化层，用于对输入数据进行子采样，以减少输入数据的空间维度，所述池化层运算公式如下：
58、qa＝f'[βadown(l)+ea]
59、式中，qa表示第a个输出数据，down(·)表示降采样函数，βa为第a个特征的权重值，l表示输入数据，f'(·)表示子采样函数。
60、优选地，所述航空发动机主轴承故障诊断方法中，所述全连接层，用于通过softmax多分类器完成分类输出，其中，设有z类的分类类别，softmax多分类器的表达式如下：
61、
62、式中，w'表示权重矩阵，b'表示偏置值，x表示输入样本，y＝z表示输出为第z类的分类类别，p(·)表示输入样本在对应的分类类别上的预测概率，o表示多尺度一维卷积神经网络的输出。
63、本技术的第二个目的为提供一种航空发动机主轴承故障诊断系统。
64、本技术的上述申请目的二是通过以下技术方案得以实现的：
65、一种航空发动机主轴承故障诊断系统，包括：
66、获取单元，用于获取振动传感器采集的航空发动机主轴承的振动信号；
67、第一处理单元，用于对所述振动信号进行分解与降噪处理，得到第一处理信号；
68、第二处理单元，用于对所述第一处理信号进行预处理，得到第二处理信号；
69、划分单元，用于将所述第二处理信号划分为训练集、验证集和测试集；
70、确定单元，用于获取预先构建的多尺度一维卷积神经网络，并根据所述训练集、所述验证集和粒子群算法，确定所述多尺度一维卷积神经网络的目标网络参数；
71、建立单元，用于根据所述目标网络参数和所述多尺度一维卷积神经网络，建立故障诊断模型；
72、训练单元，用于利用所述训练集，对所述故障诊断模型进行训练，得到训练好的故障诊断模型；
73、诊断单元，用于利用所述训练好的故障诊断模型，对所述测试集进行诊断分析，得到故障诊断结果；
74、其中，所述多尺度一维卷积神经网络包括依次连接的输入层、多个特征提取层、全连接层和输出层，每个所述特征提取层包括依次连接的多尺度卷积层和池化层，前一个所述特征提取层中的所述池化层与后一个所述特征提取层中的所述多尺度卷积层连接，第一个所述特征提取层中的所述多尺度卷积层与所述输入层连接，最后一个所述特征提取层中的所述池化层与所述全连接层连接；
75、所述目标网络参数包括所述多尺度一维卷积神经网络中所述特征提取层的数目和每个所述多尺度卷积层中卷积核的数目。
76、优选地，所述航空发动机主轴承故障诊断系统中，所述第一处理单元，在执行所述对所述振动信号进行分解与降噪处理，得到第一处理信号时，具体用于：
77、利用自适应噪声完备集成经验模态分解算法，对所述振动信号进行分解与降噪处理，得到第一处理信号。
78、优选地，所述航空发动机主轴承故障诊断系统中，所述第二处理单元，在执行所述对所述第一信号进行预处理，得到第二处理信号时，具体用于：
79、对所述第一处理信号进行幅度归一化处理，得到归一化信号；
80、对所述归一化信号进行去均值处理，得到第二处理信号。
81、优选地，所述航空发动机主轴承故障诊断系统中，所述确定单元，在执行所述根据所述训练集、所述验证集和粒子群算法，确定所述多尺度一维卷积神经网络的目标网络参数时，具体用于：
82、初始化粒子群算法参数，包括：粒子数目、粒子位置、粒子速度以及最大迭代次数，其中，粒子位置对应所述多尺度一维卷积神经网络中所述特征提取层的数目和每个所述多尺度卷积层中卷积核的数目，粒子速度对应所述多尺度一维卷积神经网络中所述特征提取层的数目和每个所述多尺度卷积层中卷积核的数目更新的大小和方向；
83、利用所述训练集，分别对每个粒子对应的所述多尺度一维卷积神经网络进行训练，得到每个粒子对应的训练后的多尺度一维卷积神经网络；
84、利用所述验证集，分别对每个粒子对应的训练后的多尺度一维卷积神经网络进行验证，得到每个粒子对应的训练后的多尺度一维卷积神经网络的分类正确率，作为每个粒子对应的适应度；
85、判断当前迭代次数是否达到最大迭代次数以及当前粒子对应的适应度是否达到预设的适应度阈值，
86、若当前迭代次数未达到最大迭代次数且当前粒子对应的适应度未达到预设的适应度阈值，则根据每个粒子对应的适应度，更新每个粒子的对应个体历史最佳位置以及所有粒子搜索到的全局历史最佳位置，根据更新后的每个粒子的对应个体历史最佳位置以及更新后的所有粒子搜索到的全局历史最佳位置，更新每个粒子的对应的粒子位置和粒子速度，然后重新执行所述利用所述训练集，分别对每个粒子对应的所述多尺度一维卷积神经网络进行训练，得到每个粒子对应的训练后的多尺度一维卷积神经网络的动作，
87、若当前迭代次数达到最大迭代次数或者当前粒子对应的适应度达到预设的适应度阈值，则根据当前所有粒子搜索到的全局历史最佳位置，确定所述多尺度一维卷积神经网络的目标网络参数。
88、上述技术方案，通过对振动传感器采集的航空发动机主轴承的振动信号进行分解与降噪处理，得到第一处理信号，能够有效提升主轴承振动信号的信噪比，突出轴承故障分量；通过对第一处理信号进行预处理，得到第二处理信号，能够进一步提升信号质量，有利于后续模型的特征识别；通过将第二处理信号划分为训练集、验证集和测试集，并根据训练集、验证集和粒子群算法，确定多尺度一维卷积神经网络的目标网络参数，根据目标网络参数和多尺度一维卷积神经网络，建立故障诊断模型，其中，多尺度一维卷积神经网络包括依次连接的输入层、多个特征提取层、全连接层和输出层，每个特征提取层包括依次连接的多尺度卷积层和池化层，应用多尺度卷积层能够增强卷积结构提取信息的能力；目标网络参数包括多尺度一维卷积神经网络中特征提取层的数目和每个多尺度卷积层中卷积核的数目，其是影响多尺度一维卷积神经网络特征提取能力的关键参数；通过上述步骤能够实现目标网络参数的自适应最优化选取，提升多尺度一维卷积神经网络的特征学习能力，得到最优的故障诊断模型，同时能够减少人工调试的时间和对人工经验的依赖；进一步利用训练集，对故障诊断模型进行训练，得到训练好的故障诊断模型，利用训练好的故障诊断模型，对测试集进行诊断分析，得到故障诊断结果，能够实现准确地故障诊断识别。综上所述，上述技术方案能够提升故障识别效果，同时减少人工调试的时间和对人工经验的依赖。
89、此外，在上述技术方案中，通过自适应噪声完备集成经验模态分解算法，对振动信号进行分解与降噪处理，能够更有效提升主轴承原始信号信噪比；
90、采用粒子群算法优化多尺度一维卷积神经网络，根据输入数据实现目标网络参数自适应优化选取，降低了数据冗余，提升了计算效率，有利于提升多尺度一维卷积神经网络的特征学习能力；
91、多尺度一维卷积神经网络并行采用多个不同尺度卷积核运算，实现了航空发动机主轴承特征的充分学习，相较于传统信号分析手段，具有更好的特征提取和故障识别效果。
1.一种航空发动机主轴承故障诊断方法，其特征在于，包括：
2.如权利要求1中所述的方法，其特征在于，所述对所述振动信号进行分解与降噪处理，得到第一处理信号，包括：
3.如权利要求2中所述的方法，其特征在于，所述利用自适应噪声完备集成经验模态分解算法，对所述振动信号进行分解与降噪处理，得到第一处理信号，包括：
4.如权利要求1中所述的方法，其特征在于，所述对所述第一信号进行预处理，得到第二处理信号，包括：
5.如权利要求4中所述的方法，其特征在于，所述幅度归一化处理的计算公式如下：
6.如权利要求4中所述的方法，其特征在于，所述对所述归一化信号进行去均值处理，得到第二处理信号，包括：
7.如权利要求1中所述的方法，其特征在于，所述根据所述训练集、所述验证集和粒子群算法，确定所述多尺度一维卷积神经网络的目标网络参数，包括：
8.如权利要求7中所述的方法，其特征在于，设有m个粒子，每个粒子有d维向量，其中：
9.如权利要求1中所述的方法，其特征在于，所述多尺度卷积层，用于通过多个不同尺度的卷积核对输入特征进行不同尺度的卷积，其中，卷积的定义为：
10.如权利要求9中所述的方法，其特征在于，所述池化层，用于对输入数据进行子采样，以减少输入数据的空间维度，所述池化层运算公式如下：
11.如权利要求1中所述的方法，其特征在于，所述全连接层，用于通过softmax多分类器完成分类输出，其中，设有z类的分类类别，softmax多分类器的表达式如下：
12.一种航空发动机主轴承故障诊断系统，其特征在于，包括：
13.如权利要求12中所述的系统，其特征在于，所述第一处理单元，在执行所述对所述振动信号进行分解与降噪处理，得到第一处理信号时，具体用于：
14.如权利要求12中所述的系统，其特征在于，所述第二处理单元，在执行所述对所述第一信号进行预处理，得到第二处理信号时，具体用于：
15.如权利要求12中所述的系统，其特征在于，所述确定单元，在执行所述根据所述训练集、所述验证集和粒子群算法，确定所述多尺度一维卷积神经网络的目标网络参数时，具体用于：
