[發明專利]一種多層次卷積神經網絡模型的構建方法及應用

有效

• 申請號: 202110334326.8
• 申請日: 2021-03-29
• 公開（公告）號: CN113112000B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 劉鑫;任海莉;董增壽;康琳;楊嘉其;王焜
• 申請（專利權）人: 太原科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F17/14;G06K9/62
• 代理公司: 太原申立德知識產權代理事務所(特殊普通合伙) 14115
• 代理人: 張向瑩

1.一種多層次卷積神經網絡模型的構建方法，其特征在于，包括以下步驟：

(1)采集機械設備某一轉動部件不同工況下不同位置的振動信號，按照不同工況對振動信號標記對應的健康或故障類別標簽，構成帶有不同健康狀態標簽的樣本序列；

(2)將步驟(1)中的每種健康狀態的樣本序列分成訓練集、驗證集以及測試集；

(3)將原始的振動信號進行快速傅里葉變換，從而將時域信號轉換成頻域信號，并提取出頻域系數；

(4)構建多層次卷積神經網絡，以空間層和時序層形成兩條鏈路，一條鏈路為淺層空間層，另一條鏈路為深層次的空間層和時序層；具體為將一層卷積后的網絡分成兩條鏈路，一條鏈路加池化層和全連接層，即提取淺層的空間層特征；另外一條鏈路加入卷積層，再加入長短時記憶網絡層，接著再加池化和全連接，即提取深層次的空間層和時序層特征，最后將兩條鏈路的輸出相連接組合，即將淺層特征與深層特征結合后送入分類器；

(5)使用訓練集對構建的多層次卷積神經網絡模型進行訓練，將步驟(3)中的頻域系數輸入到步驟(4)中的神經網絡模型進行迭代訓練；并使用驗證集的頻域系數對訓練的多層次卷積神經網絡模型進行驗證；

(6)將測試集輸入到訓練好的多層次卷積神經網絡模型，得到診斷結果。

2.根據權利要求1所述的一種多層次卷積神經網絡模型的構建方法，其特征在于：所述步驟(1)中的機械設備轉動部件為滾動軸承、齒輪或電機轉子。

3.根據權利要求1所述的一種多層次卷積神經網絡模型的構建方法，其特征在于：所述步驟(1)中的振動信號為轉動部件的位移、速度或加速度信號。

4.根據權利要求1所述的一種多層次卷積神經網絡模型的構建方法，其特征在于：所述步驟(1)中的帶有不同健康狀態標簽的樣本序列，其中的不同健康狀態標簽是指轉動部件的不同故障類型和正常狀態。

5.根據權利要求1所述的一種多層次卷積神經網絡模型的構建方法，其特征在于：所述步驟(4)中構建多層次卷積神經網絡的步驟如下：

(4.1)第一層卷積層，卷積核的個數為3、5或7，大小為5×1、3×1或64×1，步長為1或2，后面分成兩條鏈路，一條鏈路后連接非線性激活層和池化層，其中激活層的激活函數為ReLU,池化層為Max-pooling,另一條鏈路連接第二層卷積層；

(4.2)第一條鏈路池化層后接入全連接層，全連接層為不少于32個神經元；

(4.3)第二條鏈路第二層卷積層的卷積核的個數為3、5或7，大小為5×1、3×1或64×1，步長為1或2，后面連非線性激活層和池化層，其中激活層的激活函數為ReLU,池化層為最大池化層Max-pooling或平均池化層Mean-pooling；

(4.4)第二條鏈路的池化層后連接LSTM層，其中LSTM層的激活函數為tanh,神經元的個數為16；

(4.5)第二條鏈路的LSTM層后接入全連接層，全連接層為不小于32個神經元；

(4.6)將第一條鏈路后的全連接層輸出與第二條鏈路后的全連接層輸出相連接；

(4.7)將兩條鏈路連接后的特征輸入到SOFTMAX層，利用softmax函數實現分類。

6.根據權利要求1所述的一種多層次卷積神經網絡模型的構建方法，其特征在于：所述步驟(5)的使用訓練集對構建的模型進行訓練，在模型訓練中采用自適應動量估計Amda或隨機梯度下降SGD優化算法進行優化，批量大小不小于256，迭代次數不小于200，訓練完后的CNN的模型參數不變。

7.一種如權利要求1-6任一項所述的多層次卷積神經網絡模型的應用，其特征在于：所述的多層次卷積神經網絡模型應用于轉動部件的故障診斷。

8.根據權利要求7所述的一種多層次卷積神經網絡模型的應用，其特征在于：所述轉動部件為滾動軸承、齒輪或電機轉子。