[發明專利]基于卷積神經網絡模型的滾動軸承狀態監測方法和系統

在審

• 申請號: 201911255152.5
• 申請日: 2019-12-10
• 公開（公告）號: CN111060316A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 張憲民;趙博
• 申請（專利權）人: 華南理工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 黃國亮

1.一種基于卷積神經網絡模型的滾動軸承狀態監測方法，其特征在于，包括以下步驟：

獲取滾動軸承的訓練樣本集和測試樣本集；

構建第一一維卷積神經網絡模型；

根據所述訓練樣本集，基于BP算法，對第一一維卷積神經網絡模型進行訓練，獲得第二一維卷積神經網絡模型；

根據所述第二一維卷積神經網絡模型對滾動軸承進行狀態監測；

所述訓練樣本集包括訓練樣本和期望的狀態性能標簽。

2.根據權利要求1所述的基于卷積神經網絡模型的滾動軸承狀態監測方法，其特征在于，所述獲取滾動軸承的訓練樣本集和測試樣本集，其具體包括：

根據第一加速度傳感器獲取滾動軸承的第一時域振動信號；

根據所述第一時域振動信號獲取至少2000個性能退化信號作為訓練樣本集；

根據第二加速度傳感器獲取滾動軸承的第二時域振動信號；

根據所述第一時域振動信號和第二時域振動信號獲取測試樣本集；

所述訓練樣本集的訓練樣本的維度為2560。

3.根據權利要求1所述的基于卷積神經網絡模型的滾動軸承狀態監測方法，其特征在于，所述構建第一一維卷積神經網絡模型，其具體包括：

根據LeNet-5的拓撲結構構建第一一維卷積神經網絡模型的基本拓撲結構；

根據Batch Normalization算法對第一一維卷積神經網絡模型中卷積層的輸出進行批量歸一化；

根據Dropout方法對第一一維卷積神經網絡模型的池化層的輸出進行逃逸處理。

4.根據權利要求1所述的基于卷積神經網絡模型的滾動軸承狀態監測方法，其特征在于，所述根據所述訓練樣本集，基于BP算法，對第一一維卷積神經網絡模型進行訓練，獲得第二一維卷積神經網絡模型，其具體包括：

隨機的從所述訓練樣本集中選取預先設定批量大小個數的樣本，構成批量樣本集；

將所述批量樣本集的訓練樣本輸入到第一一維卷積神經網絡模型中，得到訓練樣本的實際輸出；

根據所述實際輸出和期望的狀態性能標簽獲取偏差；

根據梯度下降法對所述第一一維卷積神經網絡模型的參數進行更新；

當所述偏差小于閾值或更新次數達到預先的設定值，停止訓練，獲得第二一維卷積神經網絡模型。

5.根據權利要求4所述的基于卷積神經網絡模型的滾動軸承狀態監測方法，其特征在于，所述偏差與實際輸出和期望的狀態性能標簽的范數差的平方成正比，與第一一維卷積神經網絡模型中相鄰層神經元的連接權重的平方成正比。

6.根據權利要求5所述的基于卷積神經網絡模型的滾動軸承狀態監測方法，其特征在于，所述根據梯度下降法對所述第一一維卷積神經網絡模型的參數進行更新，其具體包括：

將所述偏差對連接權重求偏導，獲取連接權重的下降梯度；

根據所述連接權重、連接權重的下降梯度和設定的學習率，獲取更新后的連接權重；

根據所述連接權重、歸一化后的神經元批量激活值和歸一化后的神經元輸出獲取縮放參數的下降梯度；

根據所述縮放參數和縮放參數的下降梯度，獲取更新后的縮放參數；

根據所述連接權重、歸一化后的神經元輸出獲取平移參數的下降梯度；

根據所述平移參數和平移參數的下降梯度，獲取更新后的平移參數。