[發(fā)明專利]一種新型卷積神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用

有效

• 申請?zhí)枺?/td>: 202011005164.5
• 申請日: 2020-09-22
• 公開（公告）號: CN112149804B
• 公開（公告）日: 2021-10-19
• 發(fā)明（設(shè)計）人: 許習(xí)軍;王巧文;董增壽;康琳;劉鑫
• 申請（專利權(quán)）人: 太原福萊瑞達(dá)物流設(shè)備科技有限公司;太原科技大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 太原申立德知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 14115
• 代理人: 張向瑩

本發(fā)明公開了一種新型卷積神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用，該模型是以卷積神經(jīng)網(wǎng)絡(luò)為模型基礎(chǔ)，以改進(jìn)型閾值函數(shù)為激活函數(shù)tReLU，在卷積神經(jīng)網(wǎng)絡(luò)的中間層引入殘差神經(jīng)元，用卷積和池化交替連接，softmax分類，貫穿整個結(jié)構(gòu)生成新型卷積神經(jīng)網(wǎng)絡(luò)模型RLCNN；所述述激活函數(shù)tReLU如公式(1)所示。利用該模型進(jìn)行軸承故障診斷的方法為：首先將來自軸承的振動信號轉(zhuǎn)換成二維振動圖像，對圖像進(jìn)行處理得到灰度圖像的像素強(qiáng)度矩陣，將像素強(qiáng)度矩陣輸入新型卷積神經(jīng)網(wǎng)絡(luò)模型，以現(xiàn)有公開的軸承數(shù)據(jù)集為訓(xùn)練集，進(jìn)行卷積，批量歸一化處理；獲得軸承故障的診斷結(jié)果。本發(fā)明解決了因傳統(tǒng)激活函數(shù)使模型梯度消失和均值偏移所帶來的軸承故障診斷準(zhǔn)確率低的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)卷積神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體涉及一種新型卷積神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用。

背景技術(shù)

現(xiàn)代機(jī)械設(shè)備正在朝復(fù)雜、高強(qiáng)度的工作條件下進(jìn)行，一旦發(fā)生故障，那就可能是災(zāi)難性的，因此機(jī)械故障隱藏著巨大的風(fēng)險和經(jīng)濟(jì)損失。軸承是機(jī)械設(shè)備重要的零部件，為了使一些設(shè)備能夠正常運(yùn)行，軸承的診斷就是必不可少的，據(jù)統(tǒng)計有30％是由軸承的損壞造成的。現(xiàn)在機(jī)械設(shè)備故障數(shù)據(jù)海量化，機(jī)械設(shè)備檢測邁入了“大數(shù)據(jù)”時代。

大數(shù)據(jù)時代是如何在海量的數(shù)據(jù)中自動進(jìn)行特征挖掘，以取代人工進(jìn)行特征提取，對軸承進(jìn)行實時檢測，保證故障診斷的準(zhǔn)確性和高效性。因此處理工業(yè)“大數(shù)據(jù)”的智能診斷就慢慢發(fā)展起來，其中卷積神經(jīng)網(wǎng)絡(luò)故障診斷就受到廣泛的關(guān)注。軸承故障診斷是機(jī)械研究領(lǐng)域的一個重要方向，故障診斷主要分為兩個步驟，一是特征提取，二是模式識別。傳統(tǒng)的特征提取的方法可以分為時域分析、頻域分析、時頻域分析這三大類方法；模式識別的方法主要有支持向量機(jī)、多層感知器等，由于卷積神經(jīng)網(wǎng)絡(luò)(Convolution NeuralNetwork,CNN)在模式識別、圖片分類等領(lǐng)域有良好的特征學(xué)習(xí)能力，將深度學(xué)習(xí)模型運(yùn)用于軸承故障診斷中，成為近些年來國內(nèi)外專家學(xué)者們研究的熱點。Janssens等人用卷積神經(jīng)網(wǎng)絡(luò)機(jī)械軸承故障診斷，比傳統(tǒng)故障診斷準(zhǔn)確率提高了6％；Chen Lu等人運(yùn)用貪婪訓(xùn)練的逐層傳遞規(guī)則，對深層次結(jié)構(gòu)進(jìn)行魯棒性訓(xùn)練；Duy-Tang Hoang等人建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行軸承故障診斷，把原始信號轉(zhuǎn)換成圖像作為輸入，可以達(dá)到較高的精度和性能。雖然CNN提高了故障診斷的準(zhǔn)確率，但在數(shù)據(jù)預(yù)處理和網(wǎng)絡(luò)結(jié)構(gòu)上還存在一定的問題：①如果對輸入數(shù)據(jù)進(jìn)行快速傅里葉變換或者小波變換，會使得一些故障信號的時域特征丟失；②激活函數(shù)的運(yùn)用會使模型出現(xiàn)梯度消失和均值偏移，影響模型對軸承故障診斷準(zhǔn)確率。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的不足，本發(fā)明通過對激活函數(shù)線性修正單元進(jìn)行改進(jìn)，以解決梯度消失所帶來的診斷準(zhǔn)確率低的問題；卷積神經(jīng)網(wǎng)絡(luò)中加入了兩層殘差神經(jīng)元層加深網(wǎng)絡(luò)深度，以利于提取潛在的、不易被發(fā)掘的特征；從而構(gòu)建一種新型卷積神經(jīng)網(wǎng)絡(luò)模型，并將其應(yīng)用在軸承故障診斷中。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

一種新型卷積神經(jīng)網(wǎng)絡(luò)模型是以卷積神經(jīng)網(wǎng)絡(luò)為模型基礎(chǔ)，以改進(jìn)型閾值函數(shù)為激活函數(shù)tReLU，在卷積神經(jīng)網(wǎng)絡(luò)的中間層引入殘差神經(jīng)元，用卷積和池化交替連接，softmax分類，貫穿整個結(jié)構(gòu)生成新型卷積神經(jīng)網(wǎng)絡(luò)模型RLCNN；所述激活函數(shù)tReLU如公式(1)所示：

所述殘差神經(jīng)元用公式(2)表示：

F(x)＝W₂f(W₁x+b)+b (2)

公式(2)中x表示當(dāng)前層的輸入，F(xiàn)(x)表示下一層的輸入，W₁、W₂分別表示當(dāng)前層和下一層的權(quán)重，f(.)表示tReLU激活函數(shù)，b表示偏置。