[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

本發明涉及一種基于改進卷積神經網絡的軸承故障診斷方法，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。本發明的軸承故障診斷方法直接將原始故障數據作為模型輸入，故障分類結果自動輸出，大大加快了模型的訓練速度；而且提出的方法更適用于故障的在線監測和快速診斷。

技術領域

本發明屬于故障檢測技術領域，涉及一種基于改進卷積神經網絡的軸承故障診斷方法。

背景技術

大數據近年來越來越廣泛地應用于人們的生產生活，不僅在醫療能源通信零售業都有著諸多應用，同時它在工業預測方面也具有很大的潛力。現代社會的發展對材料的性能及產量提出了越來越高的要求。隨著現代工業體系的發展，工業設備的安全性已成為人們關注的焦點。通過故障診斷，工程師可以判斷系統的運行狀態和異常情況，并在早期發現潛在的安全隱患，從而規避風險。近幾十年來，故障診斷研究吸引了眾多國內外學者的關注，一系列的故障診斷方法相繼被提出。因此，近年來出現了大量關于故障診斷的研究。近年來，隨著機器學習研究的不斷興起，基于數據驅動的智能故障診斷方法逐漸成為故障診斷領域的主流應用，這種方法雖然有一定效果，但是仍然突顯出許多不足：一方面，提取的特征主要用于解決特定故障問題，通用性差，且在大數據樣本環境下難以完成，另一方面還存在著訓練精度不足，訓練速度過慢等問題。

因此，在故障診斷研究中，研究一種能夠顯著提升故障診斷的效率和準確度的故障診斷方法具有十分重要的意義。

發明內容

為解決現有技術中存在的問題，本發明提供一種基于改進卷積神經網絡的軸承故障診斷方法；

為達到上述目的，本發明采用的方案如下：

一種基于改進卷積神經網絡的軸承故障診斷方法，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(即為模型預測的該樣本所屬的故障類別。)

作為優選的技術方案：

如上所述的一種基于改進卷積神經網絡的軸承故障診斷方法，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。

輸入層用于對獲取的原始數據需要進行必要的標準化及格式歸整等操作，將原始一維數據轉化為CNN模型可訓練的類型。通常輸入CNN模型的原始數據格式是二維像素網格數據。

如上所述的一種基于改進卷積神經網絡的軸承故障診斷方法，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。

如上所述的一種基于改進卷積神經網絡的軸承故障診斷方法，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。