[發明專利]基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法

有效

• 申請號: 201811245199.9
• 申請日: 2018-10-24
• 公開（公告）號: CN109299705B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 劉志亮;彭丹丹;王歡
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法，其特征在于，包括以下步驟：

(1)、采集旋轉機械的振動信號

以采樣頻率f_s，采集不同故障的旋轉機械在不同運行速度、不同垂向載荷和軸向載荷工況下的加速度振動信號x[n]_m，獲取加速度振動信號集X＝{x[n]₁,x[n]₂,…,x[n]_m}，其中，n為單個加速度振動信號的采樣點個數，m為加速度振動信號的個數；

(2)、數據樣本標準化

使用z-score標準化方法對每一個加速度振動信號x[n]_m進行標準化；

其中，μ是x[n]_m的平均值，σ是x[n]_m的標準差；

(3)、采用滑動分割法對數據樣本進行擴展

定義：L_overlap＝兩個相鄰分段信號的樣本重疊長度，L_seg＝每個分段信號的長度，N＝所有分段信號的數量；

則有如下關系：

n＝(N-1)×(L_seg-L_overlap)+L_seg

根據上述關系，將標準化后的每一個加速度振動信號分成N個分段信號

在每一組分段信號中，將p個分段信號組成訓練樣本X_train，N-p個分段信號組成測試樣本X_test；

(4)、訓練一維深度殘差卷積神經網絡模型

(4.1)、搭建一維深度殘差卷積神經網絡模型，通過2個卷積層和1個深度殘差模塊分別學習振動信號的低級/高級特征，將X_train輸入至一維深度殘差卷積神經網絡模型中；

(4.2)、對X_train進行第一層卷積操作，卷積層的步長為s₁，卷積核使用k₁×1的寬卷積核，使用Dropout技術以一定的失活率r對卷積核隨機失活，輸出第一層信號特征圖；

(4.3)、將第一層信號特征圖輸入到第二層卷積層，步長為s₂，卷積核大小為k₂×1，同樣使用Dropout技術對卷積核隨機失活，輸出第二層信號特征圖；

(4.4)、將第二層信號特征圖輸入至由多個一維殘差模塊堆積的深度殘差模塊中；

將第二層輸出的信號特征圖輸入至第一個一維殘差模塊，再判斷第一個一維殘差模塊的輸入和輸出的數據流的維度是否相同，如果相同則執行步驟(4.5)，否則執行步驟(4.6)；

(4.5)、選擇一一維殘差模塊中的“Identity-block”模型，再通過兩個一維卷積層擬合需要學習的殘差函數，并通過一個短連接完成對輸入的信號特征圖進行恒等映射，輸出第一個一維殘差模塊的信號特征圖；

(4.6)、選擇一維殘差模塊中的“Down-block”模型，該模型在“Identity-block”的短連接上執行一個卷積核大小為k₃×1，步長為s₃的卷積操作，來完成對輸入信號特征圖的線性投影，從而輸出第一個一維殘差模塊的信號特征圖；

(4.7)、將第一個一維殘差模塊輸出的信號特征圖輸入至第二個一維殘差模塊中，再返回步驟(4.4)判斷輸入輸出數據維數是否相同，并重復執行步驟(4.5)或(4.6)，以此類推，直到所有一維殘差模塊判斷結束；

(4.8)、將最后一個一維殘差模塊輸出的信號特征圖輸入至全局平均池化層，獲得該信號特征圖的平均值，然后將得到的平均值直接輸入到Softmax層，估計出λ個不同健康狀況上的概率分布；

(4.9)、使用交叉熵損失函數評估估計的概率分布和目標概率分布的誤差，然后使用Adam優化算法優化該誤差，不斷循環步驟(4.2)—(4.9)，使估計的概率分布和目標概率分布趨于相同，得到訓練好的一維深度殘差卷積神經網絡模型；

(5)、故障診斷

將X_test輸入至訓練好的一維深度殘差卷積神經網絡模型中，預測出測試樣本的故障診斷結果。

2.根據權利要求1所述的一種基于一維深度殘差卷積神經網絡的旋轉機械故障診斷方法，其特征在于，所述的一維殘差模塊包括兩層卷積層和1個短連接。