[發明專利]基于正余弦算法優化卷積神經網絡的機床軸承狀態識別方法

在審

• 申請號: 202011607633.0
• 申請日: 2020-12-29
• 公開（公告）號: CN112699792A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 惠記莊;田園;張富強;丁凱;高士豪;王帥
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

本發明公開了一種基于正余弦算法優化卷積神經網絡的機床軸承狀態識別方法，本發明首先構建卷積神經網絡模型，再使用正余弦算法優化卷積神經網絡模型參數，最后對優化后的卷積神經網絡模型對軸承的狀態進行分類識別，本發明通過正余弦算法對卷積神經網絡進行優化，解決了卷積神經網絡模型訓練時易陷入局部最優，且卷積神經網絡模型參數大多靠經驗人工選擇的問題。本發明通過正余弦算法優化后的卷積神經網絡，提高了軸承狀態識別的準確率，降低了誤差值，提高了工作效率。

技術領域

本發明屬于軸承狀態識別預測領域，具體涉及一種基于正余弦算法優化卷積神經網絡的機床軸承狀態識別方法。

背景技術

軸承是機床主軸的關鍵零部件之一，在機床工作時軸承的狀態對機床主軸系統特性具有較大影響。隨著智能制造水平的提高，機電裝備的狀態監測邁入大數據智能化時代，同時，機床設備的健康狀態直接關系到加工產品的質量和企業的安全生產，為了保證機床的安全運行，必須對其正常運行狀態、故障狀態以及故障類別進行識別評估。因此，通過深度學習技術提高軸承狀態識別的準確率及穩定性具有重要意義。

隨著“大數據、云計算”時代的到來以及傳感器技術的發展，工業系統中能夠獲取的監測數據越來越多，機器學習作為神經網絡發展而來的一項新技術，以其強大的特征提取能力提供了一種解決狀態識別的思路。其中，卷積神經網絡時一類經典的前饋神經網絡，具有稀疏交互、參數共享以及空間池化等優良特性。

正弦余弦算法是一種群體智能優化算法，具有收斂速度快且可以有效避免陷入局部最優的特點，通過正余弦算法來優化卷積神經網絡，能夠改善模型訓練時易陷入局部最優的問題，從而提高了軸承識別的準確率。

發明內容

本發明的目的在于克服上述不足，提供一種基于正余弦算法優化卷積神經網絡的機床軸承狀態識別方法，能夠解決卷積神經網絡模型訓練時易陷入局部最優的問題，且卷積神經網絡模型參數靠人工經驗選擇的問題，對于軸承的狀態有較好的識別效果。

為了達到上述目的，本發明包括以下步驟：

步驟一，對軸承各個狀態的振動信號進行歸一化處理和打標簽處理；

步驟二，構建卷積神經網絡模型；

步驟三，使用正余弦算法優化卷積神經網絡模型參數；

步驟四，對優化后的卷積神經網絡模型進行測試和訓練后，再對軸承的狀態進行分類識別。

步驟一中，對振動信號進行歸一化處理，使振幅都歸一化為[0,1]，歸一化處理公式為：

其中，P_max表示樣本數據的最大值；P_min表示樣本數據的最小值。

步驟一中，對振動信號進行打標簽處理是對軸承不同的損傷類型進行分類。

步驟二中，采用dropout方法構建神經網絡模型。

步驟二中，采用ReLU函數作為卷積神經網絡的激活函數，當ReLU函數的輸入值大于0時導數值始終為1；當ReLU函數的輸入值小于0時導數值始終為0。

正余弦算法的過程如下：

第一步，初始化算法參數，包括初始化種群規模N，控制參數a，最大迭代次數T等；

第二步，在解的空間中隨機初始化N個個體(k＝1,2,…,N)組成初始群體；

第三步，計算每個個體的適應度值，并記錄最優個體位置，更新迭代方程來施加擾動并更新解集；

第四步，判斷是否達到終止條件，終止條件為達到最大迭代次數或者達到滿意解，若不滿足終止條件，則返回第三步，若滿足終止條件，則結束迭代，輸出最優參數。