[發(fā)明專利]一種基于改進(jìn)卷積膠囊網(wǎng)絡(luò)的軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110489570.1
• 申請日: 2021-04-30
• 公開（公告）號: CN113255882B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計(jì)）人: 王栗;李偉;華亮
• 申請（專利權(quán)）人: 南通大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G01M13/045
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 沈海霞

1.一種基于改進(jìn)卷積膠囊網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于，包括以下步驟：

步驟S1，獲取軸承的訓(xùn)練集，所述訓(xùn)練集包含多個(gè)帶有故障標(biāo)簽的軸承二維時(shí)頻數(shù)據(jù)，所述軸承二維時(shí)頻數(shù)據(jù)通過小波變換軸承的一維振動信號獲得；

步驟S2，構(gòu)建改進(jìn)卷積膠囊網(wǎng)絡(luò)，利用訓(xùn)練集訓(xùn)練改進(jìn)卷積膠囊網(wǎng)絡(luò)得到訓(xùn)練好的軸承故障診斷模型；

所述改進(jìn)卷積膠囊網(wǎng)絡(luò)依次由特征提取網(wǎng)絡(luò)及膠囊網(wǎng)絡(luò)構(gòu)成，所述特征提取網(wǎng)絡(luò)包含第一分層卷積結(jié)構(gòu)Inception7層、第二分層卷積結(jié)構(gòu)Inception5層及Attention層；

將訓(xùn)練集輸入至特征提取網(wǎng)絡(luò)得到二維時(shí)頻數(shù)據(jù)的空間特征圖，將空間特征圖輸入至膠囊網(wǎng)絡(luò)得到預(yù)測故障類型；利用Margin Loss損失函數(shù)來反向更新特征提取網(wǎng)絡(luò)及膠囊網(wǎng)絡(luò)中的權(quán)重系數(shù)直至達(dá)到預(yù)設(shè)的權(quán)重迭代次數(shù)，從而形成訓(xùn)練好的軸承故障診斷模型；

步驟S3，將測試集輸入訓(xùn)練好的軸承故障診斷模型得到軸承故障診斷結(jié)果；

所述步驟S2中所述第一分層卷積結(jié)構(gòu)Inception7層、第二分層卷積結(jié)構(gòu)Inception5層及Attention層的結(jié)構(gòu)如下：

所述Inception7層，包括輸入層、第一尺度層、第二尺度層、第三尺度層、第四尺度層和concat連接層；第一尺度通道數(shù)為32，卷積核為1×1；第二尺度第一層通道數(shù)為32，卷積核為1×1，第二層通道數(shù)為32，卷積核為5×5；第三尺度第一層通道數(shù)為32，卷積核為1×1，第二層通道數(shù)為32，卷積核為7×7；第四尺度第一層為尺寸為5×5的最大值池化層，第二層通道數(shù)為32，卷積核為1×1；整個(gè)層激活函數(shù)均為relu函數(shù)；

所述Inception5層，包括輸入層、第一尺度層、第二尺度層、第三尺度層、第四尺度層和concat連接層；第一尺度通道數(shù)為32，卷積核為1×1；第二尺度第一層通道數(shù)為32，卷積核為1×1，第二層通道數(shù)為32，卷積核為3×3；第三尺度第一層通道數(shù)為32，卷積核為1×1，第二層通道數(shù)為32，卷積核為5×5；第四尺度第一層為尺寸為3×3的最大值池化層，第二層通道數(shù)為32，卷積核為1×1；整個(gè)層激活函數(shù)均為relu函數(shù)；

所述的Attention層包含通道注意力模塊和空間注意力模塊，所述通道注意力模塊的激活函數(shù)為relu和sigmoid函數(shù)，所述空間注意力模塊的激活函數(shù)為sigmoid函數(shù)；

所述步驟S2中利用訓(xùn)練集訓(xùn)練改進(jìn)卷積膠囊網(wǎng)絡(luò)得到訓(xùn)練好的軸承故障診斷模型包括如下步驟：

步驟S21，將訓(xùn)練集輸入至Inception7層的輸入層，利用Inception7層的第一尺度層、第二尺度層、第三尺度層、第四尺度層并行特征提取并通過Inception7層的concat連接層進(jìn)行特征匯總得到第一特征圖；將第一特征圖輸入至Inception5層的輸入層，利用Inception5層的第一尺度層、第二尺度層、第三尺度層、第四尺度層并行特征提取并通過Inception5層的concat連接層進(jìn)行特征匯總得到第二特征圖；將第二特征圖輸入至Attention層，利用通道注意力模塊對第二特征圖進(jìn)行通道特征提取并結(jié)合第二特征圖獲得通道特征圖，接著利用空間注意力模塊對通道特征圖進(jìn)行空間特征提取并結(jié)合通道特征圖得到空間特征圖；

步驟S22，將空間特征圖輸入至膠囊網(wǎng)絡(luò)的主要帽層形成低層膠囊網(wǎng)絡(luò)多個(gè)神經(jīng)元，利用動態(tài)路由算法更新低層膠囊網(wǎng)絡(luò)多個(gè)神經(jīng)元的耦合系數(shù)實(shí)現(xiàn)高層膠囊網(wǎng)絡(luò)多個(gè)神經(jīng)元的更新，將高層膠囊網(wǎng)絡(luò)多個(gè)神經(jīng)元的輸出向量輸入至分類層得到預(yù)測故障類型；

步驟S23，分別計(jì)算高層膠囊網(wǎng)絡(luò)多個(gè)神經(jīng)元的輸出向量對應(yīng)的二范數(shù)得到各類故障類型的概率，將各類故障類型的概率輸入至分類層得到預(yù)測故障類型，利用預(yù)測故障類型結(jié)合故障標(biāo)簽及各類故障類型的概率計(jì)算Margin Loss損失函數(shù)，利用Margin Loss損失函數(shù)反向更新特征提取網(wǎng)絡(luò)及膠囊網(wǎng)絡(luò)中的權(quán)重系數(shù)；

步驟S24，重復(fù)S21至S23，直至達(dá)到預(yù)設(shè)的權(quán)重迭代次數(shù)，從而形成訓(xùn)練好的軸承故障診斷模型。