[發明專利]一種基于兩級孿生卷積神經網絡的滾動軸承故障自學習方法

有效

• 申請號: 202010066718.6
• 申請日: 2020-01-20
• 公開（公告）號: CN111539152B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 齊詠生;郭春雨;李永亭;劉利強;王林
• 申請（專利權）人: 內蒙古工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06V10/74;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 北京睿博行遠知識產權代理有限公司 11297
• 代理人: 劉桂榮

1.一種基于兩級孿生卷積神經網絡的滾動軸承故障自學習方法，其特征在于：該方法首先將相似度度量的孿生結構與CNN相結合，構建S-CNN網絡結構；然后，基于構造的S-CNN網絡結構，建立第一級故障類型識別網絡S-CNN1：(1)利用形態學增強脈沖特征去除部分噪聲；(2)應用S變換將信號故障類型共性特征進行提取，構造時頻圖；(3)將時頻圖樣本輸入到第一級S-CNN中，對其進行訓練，最終形成第一級故障類型識別網絡S-CNN1，訓練好的網絡利用網絡在目標空間對同類型故障匯聚、不同類型故障分離特性，實現滾動軸承故障類型的識別與自學習；

最后，建立第二級故障損傷程度分類網絡S-CNN2：(1)應用具有滑動窗的短時傅里葉變換STFT將同類型故障不同損傷程度的差異性進行放大，得到滑動時頻圖樣本；(2)將得到的時頻圖樣本時頻圖樣本輸入第二級S-CNN中，對其進行訓練，最終形成第二級故障損傷程度分類網絡S-CNN2，訓練好的網絡是基于目標空間距離的分類器，實現故障損傷程度的自學習和自增長；

建立第一級S-CNN1故障類型自學習網絡的具體過程如下，

(a)數據預處理：假設有一種未知故障類型X和若干已知故障類型X_i，i≥2，將所有原始振動信號進行數學形態學濾波，去除部分背景噪聲，對數據按照每組Q個采樣點進行分割作為輸入樣本；之后每組均進行S變換處理得到每組振動數據對應包含時域與頻域信息的時頻圖，然后把時頻圖轉換成n×n的矩陣；取所有信號數據的80％作為訓練集數據，20％作為測試集數據；

(b)參數選擇：選取網絡參數，第一級S-CNN1網絡采用的兩個相同CNN網絡參數選擇如下：選取5層卷積網絡，第一層16個卷積核，第二層32個卷積核，第三層64個卷積核，第四層128個卷積核，第五層256個卷積核，卷積核大小為5×5，優化算法選取Adam，Adam對超參數的選擇很好魯棒性，最大訓練次數為4000次；

(c)訓練過程：網絡參數確定好之后，把步驟(a)中訓練集的時頻圖即n×n矩陣作為S-CNN1的輸入，計算相應的Gw(x₁)、Gw(x₂)和能量函數Ew(x₁,x₂)，并利用訓練集的已知標簽Y對S-CNN網絡結構進行訓練；其中訓練過程主要依據反向傳播逐層訓練網絡各層的參數，最終獲得訓練好的網絡結構S-CNN1；

(d)測試與自學習過程：網絡訓練好之后，把步驟(a)中測試集時頻圖(n×n矩陣)作為步驟(c)中訓練好的S-CNN1的輸入，每種故障振動信號的時頻圖通過S-CNN1最后一層都會得到一個映射到目標空間的坐標值(x,y)，由孿生結構的原理可知同一類型故障會在目標空間越來越近，而不同類型故障則越來越遠；訓練4000次后，最終，兩類故障會在目標空間匯聚成各自不重合的兩簇，完成網絡對不同特征的學習過程；計算訓練集每種類型故障在目標空間集合的質心，第i類在目標空間的質心記為T_trainC_i；

(e)根據具有噪聲的基于密度聚類方法的散點圖確定半徑T_M_min的值；

(f)將測試集數據通過S-CNN1映射到目標空間，得到測試集在目標空間坐標，計算測試集質心記為T_testC；求測試集的T_testC與訓練集中T_trainC_i之間的歐式距離，當T_testC與第i類故障的T_trainC_i之間的距離小于T_M_min，則判定測試集中未知故障屬于訓練集中第i類故障類型；當T_testC與訓練集中所有的T_trainC_i之間的距離都不小于T_M_min，則判定測試集中未知故障屬于新故障類型，從而實現故障類型的分類與自學習過程；

建立第二級S-CNN2故障損傷等級自學習網絡的具體過程如下，

(a)數據預處理：對已識別故障類型即經過S-CNN1網絡識別的數據的樣本將其還原為原始振動信號數據，接下來要進行故障損傷等級判別與自學習；首先對這些數據進行重疊分段預處理，對數據按照每段Q個采樣點進行分割作為輸入樣本；之后每段均進行STFT變換處理得到每組振動數據對應包含時域和頻域信息的時頻圖，然后對時頻圖進行壓縮，轉換成n×n的矩陣；

(b)參數選擇：選取網絡參數，第二級S-CNN2網絡采用的兩個相同CNN網絡參數選擇如下：CNN中選取3層卷積網絡，第一層64個卷積核，第二層128個卷積核，第三層256個卷積核，卷積核為3×3，優化算法選取Adam Optimizer且最大訓練次數為20000次；

(c)訓練過程：網絡參數確定好之后，把步驟(a)中訓練集的時頻圖n×n矩陣作為S-CNN2的輸入，計算相應的Gw(x₁)、Gw(x₂)和能量函數Ew(x₁,x₂)，并利用訓練集的已知標簽Y對S-CNN網絡結構進行訓練；其中訓練過程依據反向傳播逐層訓練網絡各層的參數，最終獲得訓練好的網絡結構S-CNN2；

(d)測試與自學習過程：確定網絡結構之后把測試集n×n的矩陣作為S-CNN2的輸入，每種故障振動信號的時頻圖通過S-CNN2最后一層都會得到一個映射到目標空間的坐標值(x,y)；訓練20000次后，計算訓練集每種故障程度在目標空間集合的質心，第i類在目標空間的質心記為L_trainC_i；

(e)依據DBSCAN的散點圖確定半徑第二級網絡L_M_min的值；

(f)將測試集數據通過S-CNN2映射到目標空間，得到測試集在目標空間坐標，計算測試集質心記為L_testC；求測試集的L_testC與訓練集中L_trainC_i之間的歐式距離，當L_testC與第i類損傷程度L_trainC_i之間的距離小于L_M_min，則判定測試集中未知故障屬于第i類損傷程度；當L_testC與訓練集中所有的損傷程度之間的距離都不小于L_M_min，則判定測試集中未知故障屬于新類型損傷程度，從而實現故障損傷程度的分類與自學習的過程。

2.根據權利要求1所述的一種基于兩級孿生卷積神經網絡的滾動軸承故障自學習方法，其特征在于：構建S-CNN結構本質上是一種相似性度量的方法，輸入為兩幅時頻圖x₁和x₂，在模型訓練的時候，他們具有已知標簽Y，其中Y是一個二值標簽；當輸入的時頻圖x₁和x₂屬于同一類時，Y＝0；否則，Y＝1，標簽用于網絡訓練之用；之后，Gw(x₁)和Gw(x₂)分別為x₁和x₂經過兩個CNN網絡的對應輸出，兩個CNN網絡將x₁和x₂映射到低維空間中的兩個點；其中，w為兩個CNN網絡待學習的共享參數；之后，將兩個網絡的輸出Gw(x₁)和Gw(x₂)進行運算得到一個相似性度量指標Ew，將該指標稱為“能量函數”；該能量函數Ew(x₁,x₂)定義如下：

Ew(x₁,x₂)＝||Gw(x₁)-Gw(x₂)|| (1)

以上即為所構建的S-CNN基本結構，之后通過輸入不同的訓練樣本來訓練不同的S-CNN網絡。