[發明專利]一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法

在審

• 申請號: 202010697580.X
• 申請日: 2020-07-20
• 公開（公告）號: CN111914703A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 楊京禮;崔成竹;高天宇;尹雙艷
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F17/14;G01M13/045
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

1.一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，其特征在于，所述故障診斷方法包括以下步驟：

S100采集機械旋轉部件在已知各種故障下的振動信號，形成數據集A；

S200將數據集A中的振動數據經小波變換處理，構建小波變換時頻圖數據集B，并將數據集按8:1:1的比例隨機劃分為訓練集、驗證集和測試集；

S300基于數據集B的訓練集和驗證集，構建遷移學習GoogLeNet故障分類模型；

S400使用遷移學習GoogLeNet故障分類模型對小波變換時頻圖數據集B的測試集數據進行診斷分類，得到機械旋轉部件的故障分類結果。

2.根據權利要求1所述的一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，其特征在于，在S100中，具體的，使用傳感器將機械旋轉部件的各種故障下的振動信號進行采集，并按故障類型整理為振動信號數據集A。

3.根據權利要求1所述的一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，其特征在于，在S200中，具體包括以下步驟：

S210將數據集A中時域振動信號按固定點數劃分為若干時域振動信號樣本；

S220將每個時域振動信號樣本經小波變換處理后變為時頻圖樣本，并按故障類型整理成時頻圖數據集B；

S230定義對函數x(t)∈L²(R)進行連續小波變換為：

其中代表母小波，a是伸縮因子，b是平移因子，W(a,b)為小波變換系數，小波變換的逆變換為：

C_φ的具體表達式為：

其中，φ(ω)為的傅里葉變換；

S240將小波變換時頻圖數據集B中各故障時頻圖樣本按8:1:1的比例隨機劃分為訓練集、驗證集和測試集。

4.根據權利要求1所述的一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，其特征在于，在S300中，具體包括以下步驟：

S310選擇Google在ImageNet上訓練的GoogLeNet作為遷移學習的預訓練模型，保留模型中所有卷積層的參數，只將最后一層全連接層進行替換；

S320首先使用Google訓練好GoogLeNet的瓶頸層對輸入圖像進行特征提取，再將提取出的瓶頸層特征向量經由一個全新的全連接層進行分類；

S330基于數據集B中的訓練集和驗證集對遷移學習GoogLeNet模型進行訓練。

5.根據權利要求4所述的一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，其特征在于，在S330中，具體包括以下步驟：

S331將訓練集、驗證集時頻圖經GoogLeNet的瓶頸層處理后，得出對應的特征向量；

S332利用前向傳播公式，將特征向量作為輸入對最后一層全連接層進行前向訓練；

S333利用反向傳播公式更新全連接層的權重參數。

6.根據權利要求5所述的一種基于小波變換和遷移學習GoogLeNet的機械旋轉部件故障診斷方法，其特征在于，在S332中，前向傳播公式為：

a^l＝σ(a^l-1*W^l+b^l)

其中，a^l代表第l層的特征圖，a^l-1代表第l-1層的特征圖，W^l代表第l層產生特征圖時所使用的卷積核，σ(t)是該層選擇的激活函數，b^l代表對第l層特征圖所加的偏移量。