[發明專利]一種基于改進卷積神經網絡的軸承故障診斷方法

在審

• 申請號: 202110354327.9
• 申請日: 2021-04-01
• 公開（公告）號: CN113177577A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 李宏亮;熊文健;周武能
• 申請（專利權）人: 上海吞山智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G01M13/04;G01M13/045
• 代理公司: 上海統攝知識產權代理事務所(普通合伙) 31303
• 代理人: 杜亞

1.一種基于改進卷積神經網絡的軸承故障診斷方法，其特征是：將待測滾動軸承的原始振動信號輸入到改進的CNN模型中進行故障診斷，所述改進的CNN模型主要由輸入層、特征提取層和分類輸出層組成，所述特征提取層包含多個依次堆疊的卷積層、激活層和池化層；在最后一組所述特征提取層的卷積層之后采用全局均值池化層代替全連接層，然后連接Softmax分類器；并以Softmax分類器的輸出作為測試結果；

所述Softmax分類器輸出每一行概率值最大的即為所述測試結果。

2.根據權利要求1所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，所述輸入層將滾動軸承采集的一維時間序列故障振動信號通過數據重構法轉化為二維的輸入特征圖形式。

3.根據權利要求1所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，所述全局均值池化層輸出的是一個m行n列的量化矩陣Y_m×n；其中，m表示具有m個樣本，n表示n個類別對應的量化值，即{y₁，y₂，…，y_j，…，y_n}，y_j為當前樣本屬于第j類的量化值。

4.根據權利要求3所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，所述全局均值池化層中全局均值池化的數學表達式為：

式中，等式左邊表示第l層經全局均值池化得到的結果；1:h表示均值池化核所對應的輸出特征圖中范圍為橫向方向從第1行至第h行的像素點，1:w縱向從第1列至第w列的像素點，c表示共有c維的像素點。

5.根據權利要求4所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，所述Softmax分類器對Y_m×n中不同行的數值進行歸一化處理，其中，Softmax函數為：

其中，y′_(i)表示第i行的數值經過Softmax函數歸一化后的模型輸出值，且每一個值為(0～1)之間；P(y_(i)＝k|x_(i))為樣本x_(i)判定為類別k的概率，x_(i)為輸入樣本，y_(i)為輸入樣本對應的標簽，n為分類類別編號。

6.根據權利要求5所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，所述改進的CNN模型的構建過程為：

(1)將滾動軸承的原始振動信號進行數據格式標準化得到數據集；

(2)將數據集劃分為訓練集、驗證集；

(3)建立初始化的CNN模型；

(4)訓練和驗證初始化的CNN模型：以訓練集為數據源，采用反向傳播算法(BP)將誤差逐層反向傳遞，更新各層之間的參數，使損失函數J(w)最小化，若J(w)不收斂，迭代一千次后輸出更新的超參數；若J(w)收斂，完成CNN模型參數的訓練，并保存模型參數，得到訓練后的CNN模型；然后將驗證集數據代入訓練后的CNN模型，將輸出的結果與驗證集數據標簽對比計算預測精度；

若精度≥95％，則訓練后的CNN模型直接作為改進的CNN模型；

若精度＜95％，則調整超參數后，再次驗證，直至訓練后的CNN模型后的精度≥95％，則得到改進的CNN模型。

7.根據權利要求6所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，數據格式標準化的公式為：

其中，X代表對應x_i經過數據標準化所得的值，x_i代表原始振動信號，x_min代表最小的原始振動信號，x_max代表最大的原始振動信號。

8.根據權利要求6所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，訓練集和驗證集的樣本數之比為99:1。

9.根據權利要求6所述的一種基于改進卷積神經網絡的軸承故障診斷方法，其特征在于，所述調整超參數是指調整卷積層層數。