[發明專利]基于卷積神經網絡的滾動軸承智能診斷模型的建立方法

有效

• 申請號: 201810339956.2
• 申請日: 2018-04-16
• 公開（公告）號: CN108444708B
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 張小麗;楊吉;林綿浩;申彥斌;趙俊鋒;閆強
• 申請（專利權）人: 長安大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.基于卷積神經網絡的滾動軸承智能診斷模型的建立方法，其特征在于，包括以下步驟：

步驟1，先采集研究對象的振動數據，再對數據進行預處理；

步驟2，根據步驟1所采集的數據設計卷積神經網絡結構，生成訓練集和測試集，并且將訓練集數據用來訓練網絡模型；

步驟3，使用測試集驗證步驟2建立模型的準確度，并獲得診斷模型的準確率；

步驟4，根據步驟3測試集驗證所得的準確率與目標要求的準確率進行比較，然后調整網絡模型的結構和參數，從而獲得滿足要求的網絡模型；步驟1中，先對所有采集到的振動數據進行歸一化處理，使其數值在0到1之間；具體的歸一化計算方法如下：

再將歸一化后的一維數據數據處理成二維圖像信息；將每一列的振動數據按順序排列，形成二維灰度圖片，并對每張圖片進行編號；

步驟2中，對需要診斷和預警的故障進行分類，建立與故障類型數目對應的子文件夾，每一種故障類型放到所對應的子文件夾中；將每一個子文件夾中故障數據分為訓練集和測試集，訓練集的數據量大于測試集的數據量；對每個文件夾中的數據進行分類，具體通過以下步驟完成：

a)求數據集的平均值；

b)給每一張圖片貼上標簽；

c)設置訓練集train和測試集test；

步驟b)中，按照故障分類對圖片貼標簽，屬于同一類故障的貼同一個標簽；

卷積神經網絡結構中，第0層是輸入層，第一、三、五、七層是卷積層，第二、四層是polling層，第六層是relu層，第八層是輸出層；

步驟3中對測試集test文件夾中測試樣本進行測試，獲得模型的準確率；

步驟4中對網絡模型調整的參數有網絡深度、過濾器的尺寸、過濾器的數量、訓練回合次數、網絡模型的學習速率或非線性程度；對于網絡模型部分收斂的情況，如果是部分收斂的欠擬合問題，采取增加網絡的復雜度、降低學習速率、優化數據集、增加網絡的非線性度或采用批量歸一化的方法來解決；如果是部分收斂的過擬合問題，采用豐富數據、增加網絡的稀疏度、降低網絡的復雜度、添加Dropout、降低學習速率或適當減少訓練回合次數來解決；

對于網絡模型完全收斂時，使用單一變量控制法調整參數，保持其他參數不變。

2.根據權利要求1所述的基于卷積神經網絡的滾動軸承智能診斷模型的建立方法，其特征在于，步驟2中首先把所有的數據生成imdb結構體，再將結構體輸入到采用工具箱Misconvnect搭建的卷積神經網絡中。

3.根據權利要求1所述的基于卷積神經網絡的滾動軸承智能診斷模型的建立方法，其特征在于，步驟4中對于網絡模型完全不收斂的情況，先檢測數據是否存在問題，再檢測是否為網絡模型的錯誤；對于網絡模型部分收斂和完全收斂的情況，直接調整網絡模型的參數；如果是數據集的錯誤，則重新檢查數據集并獲得正確的數據，數據集的數值異常，則通過使用zscore函數篩選數值，具體的，去掉因為實驗故障采集到的異常數據；如果是網絡模型的錯誤，則調整網絡模型，具體有調整的內容有：網絡深度、過濾器的尺寸、過濾器的數量、網絡模型的學習速率或非線性程度。