[發明專利]基于卷積神經網絡和高斯混合模型的軸承故障診斷方法

有效

• 申請號: 201910867265.4
• 申請日: 2019-09-12
• 公開（公告）號: CN110647830B
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 吳軍;黎國強;鄧超;徐雪兵;邵新宇
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G01M13/045
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 梁鵬;曹葆青

1.基于卷積神經網絡和高斯混合模型的軸承故障診斷方法，其特征在于，該方法包括下列步驟：

(a)對于旋轉機械軸承，采集其在不同故障工況下的振動信號，以此獲得多個故障工況下的振動信號形成的數據集,根據每種故障類型，構建與該故障類型相對應的初始卷積神經網絡模型；

(b)在訓練每個故障類型對應的初始卷積神經網絡模型時，首先對所述數據集中的振動信號添加標簽，當所述振動信號對應的故障類型與當前訓練的初始卷積神經網絡模型對應的故障類型相同時，對該振動信號添加標簽A，否則添加標簽B，然后，采用所述數據集中的振動信號和與該振動信號對應的標簽訓練所述初始卷積神經網絡，以此獲得所有故障類型各自對應的最終卷積神經網絡模型；

(c)對于每個故障類型對應的最終卷積神經網絡模型，將該最終卷積神經網絡模型對應的故障類型的振動信號輸入所述最終卷積神經網絡模型中，提取該卷積神經網絡模型中卷積層和池化層的輸出作為特征映射圖譜，將該特征映射圖譜轉化為一維特征數據，以此獲得所有故障類型對應的一維特征數據，并形成一維特征數據集；

(d)對于每個故障類型對應的一維特征數據，采用高斯混合模型對所述一維特征數據進行模擬和逼近，以此獲得所有故障類型的一維特征數據對應的高斯混合模型參數；在貝葉斯網絡框架構建關于所有故障類型的一維特征數據、高斯混合模型參數和故障類型關系的初始圖模型，利用所述所有故障類型的一維特征數據訓練所述初始圖模型，當滿足預設條件后停止訓練，以此獲得最終的圖模型；

(e)對于待診斷振動信號，利用所述最終的圖模型診斷所述待診斷振動信號對應的故障類型，以此實現故障的診斷。

2.如權利要求1所述的基于卷積神經網絡和高斯混合模型的軸承故障診斷方法，其特征在于，在步驟(a)中，當采集其在不同故障的工況下的振動信號后，對每個振動信號進行預處理和切分處理，該預處理包括平滑、歸一化，平滑和歸一化處理用于以此消除所述振動信號中的奇異點；所述切分處理用于對所述振動信號進行截取，以此擴展獲得所需的振動信號樣本。

3.如權利要求2所述的基于卷積神經網絡和高斯混合模型的軸承故障診斷方法，其特征在于，在對振動信號進行預處理后還需將處理后的振動信號轉化為二維矩陣格式，以此適應所述初始卷積神經網絡的輸入格式要求。

4.如權利要求2所述的基于卷積神經網絡和高斯混合模型的軸承故障診斷方法，其特征在于，所述奇異點按照下列標準進行判斷：振動信號上的點對應的振幅值與振幅平均值超過三倍的振幅標準差時，該點為奇異點。

5.如權利要求1所述的基于神經網絡和高斯模型的軸承故障診斷方法，其特征在于，在步驟(c)中，所述將該特征映射圖譜轉化為一維特征數據采用flatten方法。

6.如權利要求1所述的基于神經網絡和高斯模型的軸承故障診斷方法，其特征在于，在步驟(d)中，用所述所有故障類型的一維特征數據訓練所述初始圖模型采用EM算法。

7.如權利要求1所述的基于卷積神經網絡和高斯混合模型的軸承故障診斷方法，其特征在于，在步驟(d)中，所述預設條件為：迭代次數大于預設次數值或前后兩次的高斯混合模型參數之差小于預設閾值。

8.如權利要求1-6任一項所述的基于卷積神經網絡和高斯混合模型的軸承故障診斷方法，其特征在于，在步驟(e)中，所述利用所述最終的圖模型診斷所述待診斷振動信號對應的故障類型，先利用步驟(b)中獲得所有故障類型各自對應的最終卷積神經網絡模型分別對所述待診斷振動信號提取獲得特征映射圖譜，以此獲得多個特征映射圖譜，將多個特征映射圖譜轉化為多個一維特征數據，最后，將多個該一維特征數據輸入所述最終的圖模型中進行故障預測，以此獲得所有特征數據對應的子高斯的累積對數似然函數值，該所有特征數據對應的子高斯的累積對數似然函數值中的最大值對應的故障類型即為待診斷振動信號的故障類型。