[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

本發明提供了一種多層次卷積神經網絡模型的構建方法及應用，該方法包括以下步驟：(1)獲得帶有不同健康狀態標簽的振動信號樣本序列；(2)將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)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，最后將兩條鏈路的輸出相結合送入分類器；(4)對多層次卷積神經網絡進行訓練和驗證；將測試集輸入到訓練好的網絡模型，得到診斷結果。本發明應用于滾動軸承、齒輪或電機轉子的故障診斷。本發明將淺層特征與深層次特征相連接，解決了只考慮單一的深層次特征而忽略了淺層特征引起的數據特征丟失，影響診斷結果的問題。

技術領域

本發明屬于神經網絡技術領域，具體涉及一種多層次卷積神經網絡模型的構建方法及應用。

背景技術

旋轉機械中包含滾動軸承，齒輪，電機轉子等部件，在現代工業中得到廣泛應用，任一部件故障會導致嚴重的安全性損失和巨大的維護成本。在過去的幾十年里，人們進行了大量的研究來開發有效的故障診斷方法。振動信號通常用于故障診斷，這種信號是一種周期性變化的時間序列數據。傳統的故障診斷技術使用信號處理方法，如快速傅立葉變換(FFT)、變分模式分解(VMD)和小波分解，通過確定信號的周期性影響分量來識別故障。雖然上述方法可以有效解決小樣本的軸承故障診斷問題，但對于大樣本和復雜干擾，仍然存在以下現象。(1)故障診斷方法分為三個獨立的部分，即特征提取、降維和分類。這種方法破壞了部件之間的耦合關系，并導致故障信息的部分丟失。(2)人工特征提取需要一定的先驗知識，在可變負載和噪聲下表現出泛化能力，并且在處理大量數據時會遇到困難。

近年來，深度學習網絡作為一種高效的模式識別算法出現，有望克服當前智能故障診斷中的障礙。深度學習的特點是深度架構，多層堆疊在網絡中，從原始輸入數據中完全捕獲代表性信息。在深度學習算法中，CNN廣泛應用于圖像處理、語音識別、視頻處理和故障識別。郭等人提出了一種分級學習率自適應深度卷積神經網絡，用于軸承故障診斷和嚴重程度判定，三個卷積層和池化層堆疊在頂部全連接分類器下面的網絡中。孫提出了一種用于感應電機故障診斷的判別特征學習方法，卷積池結構用于從原始振動數據中提取有區別的和不變的特征。卷積神經網絡能夠很好的提取空間特征，但不能提取時間序列特征，針對這一問題喬等人提出了一種基于卷積神經網絡和長短期記憶神經網絡(LSTM)的雙輸入模型，利用一維卷積和池化層提取空間特征并保留數據的序列特征，然后利用LSTM層提取序列特征，該模型能夠充分提取數據的空間特征和時間序列特征。雖然CNN提高了故障診斷的準確率，但是上述的方法都是將多層卷積后的特征進行診斷分類，因此只考慮了單一的深層次特征問題，忽略了淺層特征，從而存在數據特征丟失的問題，最終影響診斷結果。

發明內容

針對現有技術中的不足，本發明一種多層次卷積神經網絡模型的構建方法及應用，通過對卷積神經網絡淺層卷積特征與深層卷積特征相結合，以解決單一的深層次特征導致數據特征丟失，影響診斷結果的問題；并在深層卷積層后加入長短時記憶神經網絡，進一步提取時間序列特征；由淺層的空間層與深層的空間層和時序層相結合構建一種多層次卷積神經網絡(MLCNN)的故障診斷模型，并將其應用在軸承、齒輪和電機轉子故障診斷中。

為解決上述技術問題，本發明采用的技術方案為：

本發明的技術構思為：首先將原始振動信號進行快速傅里葉變化提取出頻域系數，然后將頻域系數輸入到多層次的卷積神經網絡的模型中，該多層次模型主要為空間層和時序層，將淺層的空間層特征與深層空間層及時序層特征相連接，最后通過SOFTMAX分類器進行故障識別分類。

一種多層次卷積神經網絡模型的構建方法，包括以下步驟：

(1)采集機械設備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；