[發明專利]一種基于優選小波基與多維深度特征融合的滾動軸承聲發射智能診斷方法

在審

• 申請號: 202111388420.8
• 申請日: 2021-11-22
• 公開（公告）號: CN114048682A
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 王之海;魏巍;柳小勤;賴澤浪;馮正江;李佳慧
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 昆明人從眾知識產權代理有限公司 53204
• 代理人: 沈艷尼

1.一種基于優選小波基與多維深度特征融合的滾動軸承聲發射智能故障診斷方法，其特征在于：包括以下步驟：

Step1、采集滾動軸承聲發射信號；

Step2、用基于信噪比和布倫納梯度的質量指標選擇連續小波變換的最優小波基；

Step3、用選擇出的最佳小波基做連續小波變換，將一維聲發射信號轉換為二維時頻圖；

Step4、劃分訓練集、驗證集和測試集，定義故障類型；

Step5、構建基于一維卷積、二維卷積和特征金字塔結構的多維深度特征融合神經網絡模型，其中，所述神經網絡模型輸入滾動軸承聲發射信號到一維卷積神經網絡1D-CNN、輸入時頻圖到二維卷積神經網絡2D-CNN，通過特征金字塔FPN結構來對提取的不同維度和不同深度的特征進行融合；

Step6、對模型進行訓練的同時用驗證集調整模型，最后用測試數據集進行測試。

2.根據權利要求1所述的基于優選小波基與多維深度特征融合的滾動軸承聲發射智能故障診斷方法，其特征在于：所述Step2中，用基于信噪比SNR和布倫納梯度BG的質量指標選擇連續小波變換的最優小波基包括：

利用布倫納梯度BG和信噪比SNR構建質量指標QI來評價經連續小波轉換后的滾動軸承時頻圖，其中：

QI＝(BG+SNR)/2 (1)

SNR＝10lg(S/N) (3)

式中，I(i，j)表示灰度圖像地i行、第j列像素的灰度值，m為時頻圖像素的寬度，n為時頻圖像素點的高度，S為時頻圖的能量，N為噪聲的能量，lg表示以10為底的常用對數。

3.根據權利要求1所述的基于優選小波基與多維深度特征融合的滾動軸承聲發射智能故障診斷方法，其特征在于：所述Step4中，將一維滾動軸承聲發射信號、二維時頻圖和與之對應的故障標簽作為一個樣本對，將全部樣本按照一定的比例劃分為訓練集、驗證集和測試集，滾動軸承的故障類型包括滾圈故障、滾子故障和滾圈滾子復合故障。

4.根據權利要求1所述的基于優選小波基與多維深度特征融合的滾動軸承聲發射智能故障診斷方法，其特征在于：所述Step5中，構建基于一維卷積、二維卷積和特征金字塔結構的多維深度特征融合神經網絡模型包括：

Step5.1、模型為多輸入模型，同時輸入一維滾動軸承聲發射信號和二維時頻圖；

Step5.2、分別采用普通CNN結構與線性瓶頸反向殘差輕量化結構Bneck塊構建一維卷積神經網絡1D-CNN與二維卷積神經網絡2D-CNN分支結構，Bneck塊從MobileNetV3中引入；

1D-CNN為三層卷積成和池化層的交替出現；

2D-CNN為三層卷積層和Bneck塊的交替出現；

Step5.3、模型中2D-CNN的最后一個Bneck塊使用h-swish激活函數，其余的層均用ReLU激活函數，其公式表示如下：

ReLU(x)＝max(0，x) (4)

式中，ReLU6是把ReLU的最大輸出值限制為6，x為卷積層輸出的特征；

Step5.4、特征融合需要特征的維度相同，將2D-CNN提取的特征使用Reshape層轉換維度后和1D-CNN提取的特征進行融合，特征融合時采用FPN結構融合提取出的高維和低維特征，1D-CNN、2D-CNN和特征金字塔的最后一層均使用全局平均池化層，在全局平均池化層之后使用輸出層進行分類；

Step5.5、模型采用交叉熵損失函數，其公式表達如下：

式中，N為待分類的類別總數，y_i為第i個類別對應的真實標簽，為對應的模型輸出值，lg表示以10為底的常用對數；

Step5.6、通過輸出為故障類型的Softmax層來匹配滾動軸承聲發射數據的標簽，其算法表述如下：

式中，b為輸入批量的大小，表示輸出的第k個樣本，當目標類別是j時，p^j＝1，否則為q^j，L為輸出分類類別，lg表示以10為底的常用對數。