[發明專利]一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法

在審

• 申請號: 201910433022.X
• 申請日: 2019-05-23
• 公開（公告）號: CN110031227A
• 公開（公告）日: 2019-07-19
• 發明（設計）人: 古天龍;孫鎮海;賓辰忠;朱恩新
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 石燕妮

1.一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，其特征在于，包括：

使用振動加速傳感器采集不同電機負載下不同狀態的滾動軸承振動加速度的時序信號，得到振動加速度數據；

對采集的振動加速度數據進行數據增強處理；

對數據增強處理后的振動加速度數據按照滾動軸承狀態類型貼上相應標簽；

構建卷積神經網絡診斷模型，并用處理后的振動加速度數據對診斷模型進行訓練，其中，所述診斷模型具有雙通道卷積神經網絡，所述雙通道卷積神經網絡包括兩個用于分別抽取不同跨度的振動加速度數據的特征的卷積核；

評估訓練后的診斷模型，并將其應用于監測待診斷的滾動軸承。

2.根據權利要求1所述的一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，其特征在于，所述滾動軸承的狀態分為正常狀態、內圈故障、外圈故障和滾動體故障。

3.根據權利要求2所述的一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，其特征在于，將電機零負載情況下的振動加速度數據作為訓練集，將電機不同負載情況下的振動加速度數據作為測試集，通過訓練集和測試集對卷積神經網絡診斷模型進行訓練和測試。

4.根據權利要求3所述的一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，其特征在于，依據診斷模型的診斷訓練結果的準確率、精準率、召回率和F1-Measure，對訓練后的診斷模型進行評估，以判斷是否出現過擬合狀態和需要調整診斷模型參數和訓練樣本數量。

5.根據權利要求4所述的一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，其特征在于，所述雙通道卷積網絡包括粗粒度卷積神經網絡和細粒度卷積神經網絡，所述粗粒度卷積神經網絡的卷積核為寬卷積核，所述寬卷積核用于提取振動加速度數據的粗粒度特征；所述細粒度卷積神經網絡的卷積核為窄卷積核，所述窄卷積核用于提取振動加速度數據的細粒度特征。

6.根據權利要求5所述的一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，其特征在于，所述粗粒度卷積神經網絡輸出向量為：

所述細粒度卷積神經網絡輸出向量為：

其中，S_j為模型輸入；l為卷積神經網絡的層數；K為寬卷積核；k為窄卷積核；b為偏置向量；為粗粒度卷積神經網絡輸出向量；為細粒度卷積神經網絡輸出向量。