一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统

技术领域

本发明涉及设备健康管理技术领域，尤其是一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统。

背景技术

轴承是现代工业设备关键组成部分，轴承工作场景复杂，一旦发生故障可能会引发严重的安全事故，造成大量人员伤亡和巨大经济损失。

传统的基于信号的故障诊断方法主要是利用时域信息或频域信息对故障特征进行提取。

机器学习的方法在故障诊断领域中也有广泛的应用，相比于传统的基于信号的处理方法，机器学习方法不需要丰富的专家经验。机器学习的故障诊断方法，通常是采集机器运行过程中的震动信号，然后通过震动信号作为机器学习的样本，然后通过机器学习模型进行提取特征，最后通过分类器对所提取的特征进行分类。

传统的基于信号的故障诊断方法和基于机器学习的故障诊断方法都取得了一定的成就，但是传统的基于信号的故障诊断方法依赖专家经验，无法做到自动检测故障；机器学习的方法减少了对专家经验的依赖，但是机器学习方法不能够很好的学习非常复杂的非线性关系，且不同的故障类型需要设计不同的特征提取器，无法做到自动提取故障特征。

近几年，深度学习技术应用于故障识别领域，它可以从原始的数据中提取出深层次的特征，能更好的处理复杂的非线性关系，相比于传统的基于信号处理的方法和机器学习的方法拥有更高的准确率。

虽然现在有多种轴承故障检测模型，并且取得了良好的实验结果，但是现有模型都是在单一工况下训练的模型，然后检测单一工况下的轴承故障。但单一工况下训练的模型，运用到工况多变状态下的轴承进行故障检测的时候，会出现泛化能力下降的问题，准确率普遍不高。因此设计一种新模型，在一种工况数据集下训练的模型，能够检测出不同工况下故障，是非常有必要的。

发明内容

针对现有技术中的轴承故障检测模型大都是单一工况下训练、检测的模型，运用到工况多变状态下的轴承进行故障检测时，泛化能力下降，准确率普遍不高的问题。本发明提出了一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统，以解决上文提到的现有技术的缺陷。

在一个方面，本发明提出了一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法，该方法包括以下步骤：

S1：采集不同工况下的轴承故障振动信号，并用定长随机分割方法分割获得数据样本；

S2：构建Gaussian Noise CNN模型，用其中一种工况下的数据样本对模型进行训练，用其他工况下的数据样本对模型进行测试，最终获取Gaussian Noise CNN模型；

S3：利用Gaussian Noise CNN模型对滚动轴承进行工况多变状态下的故障检测。

在具体的实施例中，Gaussian Noise CNN模型中包括5层一维卷积神经网络，且逐层增加模型的通道数。

在具体的实施例中，5层一维卷积神经网络包括：第一卷积层，第一卷积层的卷积核大小设置为16，卷积核的数量设置为32，步长为1；第二卷积层，第二卷积层的卷积核大小设置为8，卷积核的数量设置为128，步长为8；第三卷积层，第三卷积层的卷积核大小设置为4，卷积核的数量设置为128，步长为1；第四卷积层，第四卷积层的卷积核大小设置为4，卷积核的数量设置为256，步长为1；第五卷积层，第五卷积层的卷积核大小设置为4，卷积核的数量设置为512，步长为1；5层一维卷积神经网络均采用Same填充。在卷积神经网络中，随着层数加深，激活函数包含关于特定输入的信息越来越少，而关于目标的信息越来越多，为此提出5层一维卷积神经网络，目的是将无关信息过滤掉，并放大和细化有用的信息，更加关注目标信息。

在具体的实施例中，构建Gaussian Noise CNN模型的具体步骤包括：

S1：构建第一卷积层，并在第一卷积层之后依次加入Batch Normalization和Relu激活函数，引入最大池化层和Dropout；

S2：在S1之后引入第二层卷积神经网络，并在第二卷积层之后依次加入Relu激活函数、引入最大池化层和Dropout；

S3: 在S2之后引入第三层卷积神经网络，并在第三卷积层之后依次加入Relu激活函数、Gaussian Noise层、引入最大池化层和Dropout；

S4：在S3之后引入第四层卷积神经网络，并在第四卷积层之后加入ReLU函数；

S5：在S4之后引入第五层卷积神经网络，并在第五卷积层之后加入ReLU函数，通过全连接层对输出的特征进行映射。

在具体的实施例中，全连接层神经元个数设置为100。

在具体的实施例中，分类层的神经元个数等于轴承故障类别总数，采用Softmax激活函数。

在具体的实施例中，训练Gaussian Noise CNN模型，具体包括：

在训练Gaussian Noise CNN模型的过程中采用指数衰减学习率，先使用较大的学习率快速得到一个较优的解，随着迭代的继续，逐步减小学习率，获得最终学习率：

其中

在训练Gaussian Noise CNN模型的过程中使用回调函数；

在训练Gaussian Noise CNN模型的过程中使用Adma优化器和交叉熵损失函数，利用梯度下降算法更新网络权重，直到触发回调函数终止训练，得到Gaussian Noise CNN训练模型。该方法使得模型在训练后期更加的稳定，可以避免损失平台（loss plateau），是跳出局部最优解的有效策略。

在具体的实施例中，Gaussian Noise CNN模型中指数衰减初始化学习率

根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上述方法。

根据本发明的第三方面，提出一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断系统，该系统包括：

数据样本获取模块：配置用于采集不同工况下的轴承故障振动信号，并用定长随机分割方法分割获得数据样本；

Gaussian Noise CNN模型构建模块：配置用于构建Gaussian Noise CNN模型，用其中一种工况下的数据样本对模型进行训练，用其他工况下的数据样本对模型进行测试，最终获取Gaussian Noise CNN模型；

实时故障检测模块：配置用于利用Gaussian Noise CNN模型对滚动轴承进行工况多变状态下的故障检测。

本申请的一种基于Gaussian Noise CNN模型考虑工况多变状态下的轴承智能故障诊断方法，首先采用定长随机分割数据，从而增强模型的鲁棒性；其次随着层数加深，激活函数中包含的目标信息越来越多，为此提出5层一维卷积神经网络，目的是过滤掉无关信息，并放大和细化有效信息和关注目标信息; 同时随着层数加深，卷积神经网络输入的信号找不到这些过滤器所编码的模式，因此在设计模型时，采用逐层增加模型的通道数，以解决随着层数增加激活稀疏度也同样增加的问题；对训练的模型添加噪声，用来增加模型的泛化性；在构建模型的时候采用批量归一化、Dropout缓解模型过拟合；最后，将保存的模型应用于工况多变状态下轴承故障检测；以此能够解决工况多变状态下轴承故障检测问题。

附图说明

包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请可以应用于其中的示例性系统架构图；

图2是根据本发明的一个实施例的一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法的流程图；

图3是根据本发明的一个具体的实施例的Gaussian Noise CNN模型的框架图；

图4是根据本发明的一个具体的实施例的基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法的流程图；

图5a-图5d是根据本发明的一个具体的实施例的0HP、1HP、2HP和3HP工况下正常轴承振动信号示意图；

图6a-图6d是根据本发明的一个具体的实施例的0HP、1HP、2HP和3HP工况下0.014英寸损伤直径下的滚动体故障轴承振动信号示意图；

图7是根据本发明的一个具体的实施例的原始数据分布情况的t-SNE特征可视化；

图8是根据本发明的一个具体的实施例的模型处理过后数据分布情况的t-SNE特征可视化；

图9a-图9d是根据本发明的一个具体的实施例的0HP、1HP、2HP和3HP工况下的混淆矩阵；

图10是根据本发明的一个实施例的一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断系统的框架图；

图11是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、数据可视化类应用、网页浏览器应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上展示的数据样本提供支持的后台信息处理服务器。后台信息处理服务器可以对数据进行处理，并生成处理结果（例如Gaussian Noise CNN模型）。

需要说明的是，本申请实施例所提供的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应的装置一般设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

根据本发明的一个实施例的一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法，图2示出了根据本发明的实施例的一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法的流程图。如图2所示，该方法包括以下步骤：

S1：采集不同工况下的轴承故障振动信号，并用定长随机分割方法分割获得数据样本。

在具体的实施例中，采用定长随机分割方法采样数据样本，具体步骤包括：假设一种故障类型的样本采样数据的总长度为Length，采样窗口为W，在（0，Length-W）区间内取一个随机数index，则样本的长度为index + W；这样做的目的在于增强数据的随机性，从而增加模型的鲁棒性。

S2：构建Gaussian Noise CNN模型，用其中一种工况下的数据样本对模型进行训练，用其他工况下的数据样本对模型进行测试，最终获取Gaussian Noise CNN模型。

在具体的实施例中，构建Gaussian Noise CNN模型具体步骤如下：

T1：构建第一层卷积，第一卷积层为一维卷积神经网络，卷积核的大小设置为16，卷积核的数量设置为32，步长为1，采用Same填充；

T2：在T1之后加入Batch Normalization(BN)，提高模型计算速度；

T3：在T2之后加入ReLU激活函数，加速收敛和缓解梯度消失；

T4：在T3之后引入最大池化层，最大池化层的作用是下采样，降低模型的参数量；

T5：在T4之后引入Dropout，Dropout作用是降低模型神经元个数，减少模型复杂度；

T6：在T5之后引入第二层卷积神经网络，第二卷积层为一维卷积神经网络，卷积核的大小设置为8，卷积核的数量设置为64，步长为8，采用Same填充；

T7：在T6之后加入ReLU激活函数；

T8：在T7之后引入最大池化层；

T9：在T8之后引入Dropout；

T10：在T9之后引入第三层卷积神经网络，第三卷积层为一维卷积神经网络，卷积核的大小设置为4，卷积核的数量设置为128，步长为1，采用Same填充；

T11：在T10之后加入ReLU激活函数；

T12：在T11之后加入Gaussian Noise层，以增加模型的泛化性；

T13：在T12之后引入最大池化层；

T14：在T13之后引入Dropout；

T15：在T14之后引入第四层卷积神经网络，第四卷积层为一维卷积神经网络，卷积核的大小设置为4，卷积核的数量设置为256，步长为1，采用Same填充；

T16: 在T15之后加入ReLU激活函数；

T17: 在T16之后引入第五层卷积神经网络，第五卷积层为一维卷积神经网络，卷积核的大小设置为4，卷积核的数量设置为512，步长为1，采用Same填充；

T18：在T17之后加入ReLU激活函数；

T19：全连接层的目的是对输出的特征进行映射，全连接层神经元个数设置为100；

T20：分类层的神经元个数等于轴承故障类别总数，采用Softmax激活函数。

在具体的实施例中，Gaussian Noise CNN模型的框架图可以参考图3中示出的根据本发明的一个具体的实施例的Gaussian Noise CNN模型的框架图，构建Gaussian NoiseCNN模型的层数和通道数设计如下：在单一工况下训练的模型，可以应对不同工况下轴承故障检测。这就要求模型具有很强的泛化性。增加模型泛化性，首先需要提取出数据的本质特征，过滤掉无效信息；其次就需要扩大模型故障识别范围。在卷积神经网络中，随着层数加深，激活函数包含关于目标的信息越来越多，为此提出5层一维卷积神经网络，目的是将无关信息过滤掉，并放大和细化有用的信息，更加关注目标信息。同时随着层数的加深，卷积神经网络输入的信号找不到这些过滤器所编码的模式，因此在设计模型时，采用逐层增加模型的通道数，以解决随着层数增加激活稀疏度也同样增加的问题，这样就可以提取出更多更全面的特征。

在具体的实施例中，Gaussian Noise CNN模型增加模型泛化性方法如下：高斯噪声在深度学习中通常被使用在数据增强中，通过向数据中添加高斯噪声，增加数据的多样性，从而达到数据增强的目的。该方法尝试直接对训练的模型添加噪声，用来增加模型的泛化性。该方法添加噪声的位置在模型的中间层，也就是第三个卷积层后面；如果添加在模型的前面两层会干扰原始的信号信息，添加在模型的后面两层会干扰已经提取出来的特征信息，因此添加在模型的中间层对增强模型的泛化性是较好的选择。

在具体的实施例中，训练Gaussian Noise CNN模型具体方法包括：在训练模型过程中采用指数衰减学习率，先使用较大的学习率快速得到一个较优的解，然后随着迭代的继续，逐步减小学习率，使得模型在训练后期更加的稳定，这种方法可以避免损失平台（loss plateau），是跳出局部最优解的有效策略。

其中

模型的训练过程中使用回调函数（callback），可以直接保存训练过程中出现的最佳模型。该Gaussian Noise CNN模型回调函数的参数设置为10，即10轮内模型的验证精度不在改善则终止训练，并保存最佳模型。

训练过程使用Adma优化器和交叉熵损失函数，利用梯度下降算法更新网络权重，直到触发回调函数终止训练，得到训练好的Gaussian Noise CNN模型。

S3：利用Gaussian Noise CNN模型对滚动轴承进行工况多变状态下的故障检测。

在具体的实施例中，滚动轴承的状态分为四种不同运行工况，分别是0HP、1HP、2HP和3HP，参考图5a-图5d示出了根据本发明的一个具体的实施例的0HP、1HP、2HP和3HP工况下正常轴承振动信号示意图。故障类型分为正常状态和使用电火花加工技术分别对轴承外圈、内圈、滚动体制造直径为0.007inchs、0.014inchs 和0.021inchs的单点缺陷，作为一个实施例，图6a-图6d示出了根据本发明的一个具体的实施例的0HP、1HP、2HP和3HP工况下0.014英寸损伤直径下的滚动体故障轴承振动信号示意图，与图5a-图5d对比可以明显发现0.014英寸损伤直径下的滚动体故障轴承振动信号更加密集。每种工况下数据集共有10中状态。首先把模型在1HP数据集下进行训练，得到训练好的模型。 之后用0HP、1HP、2HP和3HP数据集对训练好的模型进行检测，看不同工况下模型故障检测的准确率。

继续参考图4，图4示出了根据本发明的一个具体的实施例的基于Gaussian NoiseCNN模型多变工况下轴承故障诊断方法的流程图，如图4所示，该方法包括以下步骤：

采集轴承不同工况下震动信号（步骤401）；并将其分为其中一种工况数据402和其余工况下数据集411，其余工况下数据集411用于测试工况多变下轴承故障检测准确率，其中一种工况数据402进行定长随机分割时域信号步骤403，并分割为测试集404和训练集405，其中，测试集404用于测试单一工况下轴承故障检测准确率，训练集405用于构建Gaussian Noise CNN模型步骤406中，随后依次进行步骤407小批量数据前向传播和步骤408误差反向传播并更新网络参数，依次判断单个周期所有数据迭代完成情况（步骤409），若否，则返回步骤407，若是，则进入步骤410判断是否达到总的迭代次数，若否，返回步骤407，若是，则保存训练好的模型（步骤412）,通过测试集404和其余工况下数据集411测试单一/工况多变下轴承故障检测准确率，利用训练好的模型检测并输出诊断结果（步骤413）。

为对本发明的方法进行说明、验证，本实施例中使用美国西储大学实验室提供的正常轴承和故障轴承的测试数据作为样本数据集。测试试验台由一个电机，转矩传感器，功率计和控制器组成，该样本数据集共采集了正常轴承、单点驱动端和风扇端故障在0hp，1hp，2hp，3hp电机负载下的数据。实验数据由每秒12000个采样点的加速度计电机驱动机械系统完成。对于故障轴承，使用电火花加工技术对轴承外圈、内圈、滚动体制造直径为0.007inchs、0.014inchs 和0.021inchs的单点缺陷。下面实验选取1HP下十种不同状态信号数据作为训练集，并用0HP、1HP、2HP和3HP的数据作为测试集。从美国西储大学的轴承数据集描述中得到数据采集的频率和转速，推断出轴承每圈采集的数据数量，公式为:采样计数/圈数＝采样频率*60/转速＝12000*60/1797＝400。因此为了保证每一个样本都有故障信号，我们每个样本的长度设置为1024。本发明用西储大学的轴承数据进行训练和测试，具体数据划分如下表1所示：

表1. 数据划分表

本发明的实验环境为软件环境是：Windows10 64位、Keras 2.3.1、TensorFlow1.15.0、Python 3.6.13；硬件环境是CPU AMD Ryzen 7 4800H、RAM 32.0 GB、GPU RTX2060。本发明在不同的工况下测试的准确率如下表2所示：

表2. 不同的工况下测试的准确率

CNN虽然在故障诊断中取得了成功的应用，但是它是黑箱模型，神经网络是依据什么做出的故障诊断是一个待解决的问题。本发明的方法使用特征可视化t-SNE（t-distributed Stochastic Neighbor Embedding）算法以说明本发明的有效性，原始数据分布情况的t-SNE特征可视化如图7所示，模型处理过后数据分布情况的t-SNE特征可视化如图8所示。

本发明在当前实验环境下，测得在1HP数据集下训练，在1HP数据集下测试的正确率为99.20%，在0HP数据集下测试的准确率为98.60%，在2HP数据集下测试的准确率为99.50%，在3HP数据集下测试的准确率99.19%。具体在0HP、1HP、2HP和3HP工况下测试结果的混淆矩阵图如图9a-图9d所示。

图10示出了本发明的一个实施例的一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断系统的框架图。该系统包括数据样本获取模块1001、Gaussian Noise CNN模型构建模块1002和实时故障检测模块1003。

在具体的实施例中，数据样本获取模块1001配置用于采集不同工况下的轴承故障振动信号，并用定长随机分割方法分割获得数据样本。

在具体的实施例中，Gaussian Noise CNN模型构建模块1002配置用于构建Gaussian Noise CNN模型，用其中一种工况下的数据样本对模型进行训练，用其他工况下的数据样本对模型进行测试，最终获取Gaussian Noise CNN模型。

在具体的实施例中，实时故障检测模块1003配置用于利用Gaussian Noise CNN模型对滚动轴承进行工况多变状态下的故障检测。

下面参考图11，其示出了适于用来实现本申请实施例的电子设备的计算机系统1100的结构示意图。图11示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统1100包括中央处理单元（CPU）1101，其可以根据存储在只读存储器（ROM）1102中的程序或者从存储部分1608加载到随机访问存储器（RAM）1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有系统1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出（I/O）接口1105也连接至总线1104。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如液晶显示器（LCD）等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元（CPU）1101执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，并且这些单元的名称在某种情况下并不构成对该单元本身的限定。

本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。

本发明针对轴承工况多变状态下智能故障诊断场景设计了一种新模型，在不使用任何数据增强和迁移学习手段的情况下，取得了非常出色的故障诊断成绩。针对轴承工况多变状态下，首先采用了5层一维卷积神经网络，目的是将无关信息过滤掉，并放大和细化有用的信息，更加关注目标信息；其次采用逐层增加模型的通道数，以解决随着层数增加激活稀疏度也同样增加的问题，这样就可以提取出更多更全面的特征。本发明提出在模型中间层添加高斯噪音，以解决工况多变时模型泛化能力下降的问题。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。