[發(fā)明專利]一種基于隨機搜索和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法

在審

• 申請?zhí)枺?/td>: 202011386823.4
• 申請日: 2020-12-01
• 公開（公告）號: CN112686366A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計）人: 葉懷光;陳迅
• 申請（專利權(quán)）人: 江蘇科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01M13/045
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 杭行

本發(fā)明涉及軸承故障預(yù)測診斷領(lǐng)域，公開了一種基于隨機搜索和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法，通過結(jié)合隨機搜索算法優(yōu)化超參數(shù)，建立卷積神經(jīng)網(wǎng)絡(luò)模型，用于智能診斷滾動軸承故障，解決了現(xiàn)有技術(shù)中的傳統(tǒng)方法準確度不夠和智能方法中人工調(diào)參繁瑣費時的問題。該方法包括以下步驟：（1）初始化超參數(shù)組合。（2）配置隨機搜索的分布函數(shù)。（3）不斷更新隨機搜索的分布函數(shù)。（4）選擇最優(yōu)的超參數(shù)配置。經(jīng)過訓(xùn)練得到最終的軸承智能診斷網(wǎng)絡(luò)模型。有益效果：經(jīng)過兩層卷積和單層池化層的交替連接結(jié)構(gòu)，卷積層對輸入的數(shù)據(jù)作卷積操作，學習數(shù)據(jù)特征，池化層設(shè)計為最大池化，最大池化層的池化核操作會增強卷積層學習得到的數(shù)據(jù)特征。

技術(shù)領(lǐng)域

本發(fā)明涉及軸承故障預(yù)測診斷領(lǐng)域，尤其涉及一種基于隨機搜索和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法。

背景技術(shù)

目前，滾動軸承故障的診斷方案分為兩類。一類是傳統(tǒng)方法，用信號分析和特征提取的方法對原始數(shù)據(jù)進行特征提取后再用模式識別的方法對滾動軸承進行故障診斷。另一類是智能診斷方法，用機器學習的方法直接學習原始振動數(shù)據(jù)對滾動軸承故障進行診斷。傳統(tǒng)方法費時費力，而且人工提取特征易丟失原始信息，診斷的準確性也不夠，而智能診斷方法相較傳統(tǒng)方法更為準確，但也存在著人工調(diào)參繁瑣、網(wǎng)絡(luò)需要進一步優(yōu)化的問題。

發(fā)明內(nèi)容

為了克服現(xiàn)有的傳統(tǒng)方法在滾動軸承故障診斷中的準確度不足和智能方法中的人工調(diào)參無法很好的優(yōu)化網(wǎng)絡(luò)問題，本發(fā)明設(shè)計了基于高斯分布的隨機搜索算法優(yōu)化超參數(shù)建立深度卷積神經(jīng)網(wǎng)絡(luò)模型的滾動軸承故障診斷方法。該方法不僅能解決超參數(shù)優(yōu)化網(wǎng)絡(luò)模型的問題，也能彌補傳統(tǒng)方法準確度不足的缺陷。

本發(fā)明通過如下技術(shù)方案實現(xiàn)：一種基于隨機搜索和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法，包括以下步驟：

步驟(1)、對超參數(shù)組合進行初始化賦值，由隨機選擇符合約束條件的隨機數(shù)產(chǎn)生，超參數(shù)組合配置一維卷積神經(jīng)網(wǎng)絡(luò)模型并訓(xùn)練驗證，由目標函數(shù)求得最優(yōu)超參數(shù)組合；

步驟(2)、配置隨機搜索的分布函數(shù)，將步驟(1)中得到的最優(yōu)超參數(shù)組合的各超參數(shù)值分別設(shè)為各超參數(shù)對應(yīng)的高斯分布函數(shù)的均值，調(diào)整分布函數(shù)的取值范圍；

步驟(3)、在訓(xùn)練中更新各超參數(shù)的分布函數(shù)的參數(shù)，利用步驟(2)中配置好的分布函數(shù)，產(chǎn)生新的超參數(shù)組的集合，之后在網(wǎng)絡(luò)模型訓(xùn)練試驗結(jié)果中尋優(yōu)，得到最優(yōu)超參數(shù)組合，用這個最優(yōu)組合更新高斯分布函數(shù)，再產(chǎn)生新的超參數(shù)組的集合用于網(wǎng)絡(luò)模型訓(xùn)練試驗，重復(fù)這一過程；

步驟(4)、選擇最優(yōu)的超參數(shù)配置，當隨機搜索不再產(chǎn)生更優(yōu)異超參數(shù)時停止隨機搜索，得到配置神經(jīng)網(wǎng)絡(luò)的最優(yōu)超參數(shù)組合，如此經(jīng)過訓(xùn)練試驗得到最終的軸承智能診斷網(wǎng)絡(luò)模型。

進一步，上述步驟(1)中的超參數(shù)組合初始化需要選擇特定的超參數(shù)在三個至六個之間。

進一步，上述步驟(2)、步驟(3)中用表現(xiàn)優(yōu)異的超參數(shù)組合來配置分布函數(shù)，每個超參數(shù)對應(yīng)一個特定的分布函數(shù)，分布函數(shù)使用高斯分布函數(shù)，如此在下一輪中隨機搜索出表現(xiàn)優(yōu)異的超參數(shù)附近的新的超參數(shù)，同時小概率產(chǎn)生遠離表現(xiàn)優(yōu)異的超參數(shù)的新的超參數(shù)，避免局部優(yōu)化。

進一步，上述步驟(4)中停止隨機搜索超參數(shù)的條件為，在下一輪的試驗結(jié)果中沒有產(chǎn)生表現(xiàn)更為優(yōu)異的超參數(shù)組合，選擇歷次訓(xùn)練結(jié)果中的最優(yōu)表現(xiàn)的超參數(shù)組合，得到最終的經(jīng)過隨機搜索優(yōu)化的神經(jīng)網(wǎng)絡(luò)診斷模型。

本發(fā)明相對于現(xiàn)有技術(shù)，具有以下有益效果：

經(jīng)過兩層卷積和單層池化層的交替連接結(jié)構(gòu)，卷積層對輸入的數(shù)據(jù)作卷積操作，學習數(shù)據(jù)特征，池化層設(shè)計為最大池化，最大池化層的池化核操作會增強卷積層學習得到的數(shù)據(jù)特征。經(jīng)過多次的卷積與池化操作，有助于神經(jīng)網(wǎng)絡(luò)學習到穩(wěn)定的數(shù)據(jù)特征。網(wǎng)絡(luò)的輸出層結(jié)合了Softmax作為激勵函數(shù)。經(jīng)過隨機搜索優(yōu)化的步驟之后，神經(jīng)網(wǎng)絡(luò)模型的權(quán)重參數(shù)和超參數(shù)都在訓(xùn)練過程中得到了更新，最終的診斷模型就可用于診斷工作中的軸承狀態(tài)。