[發明專利]一種基于多通道CNN多元信息融合的軸承故障診斷方法

在審

• 申請號: 202110020601.9
• 申請日: 2021-01-07
• 公開（公告）號: CN112766331A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 贠衛國;王楠;井小浩
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G01M13/045
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 王晶

1.一種基于多通道CNN多元信息融合的軸承故障診斷方法，其特征在于，包括以下步驟：

步驟一：

在軸承兩端布置加速度計，用采樣頻率相同的加速度計采集軸承時域振動信號，得到網絡所需數據集；

步驟二：

對軸承雙側采集而來的振動數據依據其損壞狀況進行貼標簽處理，其中將相同時段內軸承雙側的振動信號編為一對數據；

步驟三：

搭建多信息融合的卷積神經網絡模型，并用步驟二中貼完標簽的成對數據對其進行模型訓練，其中，所述網絡結構具有多個雙通道卷積核，所述雙通道卷積核包含卷積操作和求和操作；

步驟四：

對訓練后的模型在使用測試數據集進行測試，用以評估該模型，并將其應用于準備診斷的軸承數據上。

2.根據權利要求1所述的一種基于多通道CNN多元信息融合的軸承故障診斷方法，其特征在于，所述步驟一中采樣方式為將兩個同采樣頻率的加速度計分別放置于待診斷的軸承兩側。

3.根據權利要求1所述的一種基于多通道CNN多元信息融合的軸承故障診斷方法，其特征在于，所屬步驟二中打標簽的方式是將同時段內軸承雙側振動數據成對組合，變成一個含有兩通道的振動數據。

4.根據權利要求1所述的一種基于多通道CNN多元信息融合的軸承故障診斷方法，其特征在于，所述步驟三具體為：

(3-1)：模型的輸入數據為雙通道數據，網絡的第一層卷積核也是含有雙通道的卷積核，其數量為32個，卷積核大小為20×1×2，步長為8×1，并對該層使用padding進行補0填充，該層卷積核對輸入的雙通道數據進行數據融合，包含卷積操作和求和操作；所述卷積計算為擁有相同通道數的輸入數據和卷積核對應維度進行卷積；所述加法運算為輸入數據經過一個卷積核計算后，該結果的多通道數據相對應位置的值進行加法運算；

所述卷積和加法計算為：

其中--第l層的第i個卷積核的第j′個權值；--第l層中第j個被卷積的局部區域；W--卷積核的寬度；

池化層的輸入為上層卷積層的計算輸出；

接下的兩層同樣也為卷積層同池化層的交替出現；

(3-2)：通過將上一層數據進行伸展，并輸入到神經元為700的全連接層；

(3-3)：通過引入Dropout來隨機的對某些神經元處以失效，在深度學習模型種通過加入Dropout層可以有效提升訓練效果；

(3-4)：通過使用輸出為10個的Softmax層來匹配對軸承數據集所打的標簽；其算法表述如下：

式中m--為輸入的小批量(mini-batch)的大小，當目標類別是j時，p^j＝1，否則為q；

(3-5)：將打好標簽不同損壞程度的數據輸入到多信息融合的卷積神經網絡中訓練模型。