[發明專利]一種基于深度學習網絡的軸承故障分類方法及系統

在審

• 申請號: 202010516421.5
• 申請日: 2020-06-09
• 公開（公告）號: CN111797567A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 陳劍;黃凱旋
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01M13/045;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 楊蘇云

1.一種基于深度學習網絡的軸承故障分類方法，其特征在于，包括以下步驟：

設定采樣頻率，分別采集軸承在不同工況下的振動信號數據；

將取得的振動信號數據進行分段，構建多個樣本；

對每個所述樣本中的振動信號數據進行變分模態分解，取得多個模態分量；

將所述樣本中的振動信號數據根據轉速情況分為訓練集和測試集，其中訓練集來自穩態轉速工況，測試集來自變轉速工況；

根據所述模態分量的個數構建深度殘差網絡的基本結構，采用隨機搜索確定殘差單元個數，確定深度殘差網絡最終結構；

將所述訓練集輸入至所述深度殘差網絡進行迭代訓練，在損失值趨于穩定時，完成訓練取得分類模型，其中，在所述的深度殘差網絡結構中，深度殘差網絡的初始通道數與所述模態分量的個數相同；

將所述測試集輸入至所述分類模型，取得故障分類結果。

2.根據權利要求1所述的基于深度學習網絡的軸承故障分類方法，其特征在于：所述的每個樣本的分段長度大于所述軸承在每個旋轉周期內的數據個數。

3.根據權利要求1所述的基于深度學習網絡的軸承故障分類方法，其特征在于：所述的對每個所述樣本中的振動信號數據進行變分模態分解，取得多個模態分量包括：

預設二次懲罰因子和初始分解層數，對所述樣本的振動信號數據構建變分問題；

引入二次懲罰因子α與拉格朗日乘子λ(t)得到擴展表達式，并不斷迭代尋求所述表達式的鞍點得到模態分量

計算模態分量與所述樣本的振動信號數據的譜相關系數最小值，當譜相關系數最小值小于設定閾值時，得到最小分解層數為K，確定變態分解后的模態分量個數為K-1。

4.根據權利要求3所述的基于深度學習網絡的軸承故障分類方法，其特征在于：所述分解層數的上限為10。

5.根據權利要求1所述的基于深度學習網絡的軸承故障分類方法，其特征在于：在所述深度殘差網絡中，將每個一維模態分量折疊為32×32矩陣形式。

6.根據權利要求5所述的基于深度學習網絡的軸承故障分類方法，其特征在于：所述的損失值趨于穩定，包括：在每次迭代完成后，計算交叉熵損失值，以交叉熵損失值最小為目標，優化調整深度殘差網絡的卷積層、全連接層的權重，進入下一次迭代，直至所述損失值趨于穩定。

7.根據權利要求5所述的基于深度學習網絡的軸承故障分類方法，其特征在于：所述的深度殘差網絡的第一卷積層包含多個通道，所述通道的個數與所述模態分量的個數相同。

8.根據權利要求7所述的基于深度學習網絡的軸承故障分類方法，其特征在于：在所述的構建深度殘差網絡的網絡結構，包括：

依照設定的殘差單元的個數范圍進行一次隨機搜索，取得一組隨機值；

利用所述隨機值構建深度網絡基本結構；

選取所述訓練集輸入至所述深度網絡基本結構進行訓練，得到準確率和損失函數；

在完成設定隨機搜索次數后，取得準確率最高、損失函數最小的隨機值作為各殘差單元組中對應最優的殘差單元的個數。

9.根據權利要求8所述的基于深度學習網絡的軸承故障分類方法，其特征在于：所述的殘差單元的個數范圍設定為1～6。

10.一種基于深度學習網絡的軸承故障分類系統，包括：

信號采集模塊，用于采集軸承在不同工況下的軸承振動信號數據；

故障特征信號處理模塊，用于將取得的振動信號數據進行分段構建多個樣本，對每個所述樣本中的振動信號數據進行變分模態分解，取得多個模態分量，同時，根據所述模態分量的個數構建深度殘差網絡的基本結構，采用隨機搜索確定殘差單元個數，確定深度殘差網絡最終結構；

以及，軸承故障分類模塊，與所述故障特征信號處理模塊連接，用于將所述振動信號數據的訓練集輸入至所述深度殘差網絡進行迭代訓練，在損失值趨于穩定時，完成訓練取得分類模型，并利用訓練好分類模型錄入所述振動信號數據的測試集進行故障分類。