[发明专利]一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法

权利要求书

1.一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，包括以下步骤：

步骤1、采集故障振动信号并做预处理：将采集到的原始振动信号进行分段处理，采用随机重叠的方法从振动信号中提取M段信号，每一段信号有N个样本点；将提取的信号组成样本数据集{S}^N×M，其中，s^j∈S^N×1表示第j个分段中的含有N个数据点；

利用三次多项式拟合消除每一段振动信号中的趋势项：

式中，y_k、x_k为样本点，a₀、a₁为系数，n,k＝1,2,3,…,N，其中，

步骤2、利用短时Fourier变换方法提取振动信号的时频特征：将在步骤1中得到的样本数据集进行短时Fourier时频变换分析，得到各个振动信号的时频特征，并利用伪色彩图显示；

步骤3、利用插值方法缩小图像分辨率并将各个图像叠加，形成训练样本集和测试样本集，作为卷积神经网络的输入；

步骤4、构建深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层；先将两个卷积层和两个池化层分别交叉叠加，然后将第二个池化层的输出特征根据全连接的形式展开，再将softmax分类层联接到全连接层上，组成深度卷积神经网络模型；

步骤5、将训练样本集导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数，根据构建的深度卷积神经网络模型对未知的故障信号实现基于时频特征提取的旋转机械故障诊断。

2.根据权利要求1所述的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，所述步骤2的过程如下：

将数据样本集写成矩阵形式S^N×M，分别选择最佳采样率、阈值和时频中心，采用下式进行短时傅里叶时频变换，获得数据样本集每一段信号对应的时频变换特征信息数据：

式中，f为频率，t为时间变量、τ为时间常量，x(τ)为信号，ω(τ-t)为时频窗函数，x(τ)ω(τ-t)为时频中心；

然后利用计算获得的时频变换特征信息数据绘制伪色彩图，对数据进行可视化处理，叠加形成三维数据样本集。

3.根据权利要求2所述的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，所述的最佳采样率和阈值分别为512、5％。

4.根据权利要求1所述的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，所述步骤3的过程如下：

利用最邻近插值算法无失真的降低时频图像分辨率，使时频图像尺寸缩小至64×64；将所有时频图像叠加，添加对应的故障标签，随机选择50％作为训练样本集，50％作为测试样本集。

5.根据权利要求1所述的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，所述步骤4的过程如下：

将两个卷积层和两个池化层分别交叉叠加形成网络主体结构，将单层softmax模型接到最后一个池化层上，作为故障特征辨识层，组成完整的深度卷积神经网络模型；

在卷积层中，对于任意输入x，子序列为：

x_j＝ρW_jx_j-1 (3)

式中，W和ρ分别为卷积运算和非线性激活函数；W_j是滤波映射的权值，且每一层均写成前一层的卷积之和：

式中，u为x的元素，j＝1,2,3,…,N，*是卷积运算：

式中，h为映射函数，g为激活函数；

通过随机梯度下降法的凸优化算法计算梯度，优化求解权值W_j；

采用池化方法，将目标区域分割为非重叠区域，采用最大池化函数提取特征并提高计算神经网络的计算效率；

利用深度卷积神经网络结构模型提取输入数据的卷积特征和池化特征，训练网络模型结构参数；在Softmax层的激活函数采用sigmoid函数：

6.根据权利要求5所述的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，所述的池化方法，选择池化维数为4，神经元数为300。