[发明专利]基于EMD和残差神经网络的滚动轴承故障诊断方法

权利要求书

1.一种基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于，包括：

步骤1：采集滚动轴承的多组原始振动数据，并将数据分为训练集和验证集；

步骤2：对训练集的每一组原始振动数据进行EMD分解，得到各个模态分量，将各个模态分量组合，得到二维特征图；

步骤3：将二维特征图输入到残差神经网络模型进行训练，并利用验证集调整出残差神经网络模型的超参数，形成训练后的残差神经网络模型；

步骤4：将需要故障诊断的滚动轴承的二维特征图输入到训练后的残差神经网络模型，输出故障诊断结果；

所述将二维特征图输入到残差神经网络模型进行训练，包括：

步骤3.1：将二维特征图的数据输入到第一卷积层中，第一卷积层输出的结果经过relu激励函数激励后，接入第一池化层；

步骤3.2：将第一池化层的输出结果输入到残差块；

步骤3.3：将残差块的输出结果输入到第二池化层，将第二池化层的输出结果输入到全连接层；

步骤3.4：将全连接层的输出结果输入到输出层，由输出层输出结果；

步骤3.5：通过损失函数计算输出结果与真实结果之间的损失，根据自适应矩估计Adam的梯度优化方法进行反馈，训练出残差神经网络模型的参数。

2.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：滚动轴承的原始振动数据包括滚动轴承正常以及若干种故障的原始振动数据。

3.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：所述二维特征图表示为：h*(m+1)矩阵；其中，h为故障部件的信号长度、m为模态函数分量的个数。

4.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：所述残差神经网络模型，包括：第一卷积层、第二卷积层、第一池化层、第二池化层、参差块、全连接层和输出层。

5.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：所述输出层的激励函数为softmax函数。

6.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：所述残差块为：

F(x)＝W²·g(W¹x+b¹)+b²

其中，W¹和W²分别表示残差块中第一卷积层的卷积核和第二卷积层的卷积核的权重矩阵，b¹和b²分别表示第一卷积层的卷积核的偏置矩阵和第二卷积层的卷积核的偏置矩阵，g(·)为relu激励函数。

7.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：所述残差块的输出结果为：

H(x)＝g(F(x)+x)

其中，F(x)为残差块计算出的残差，x为第一池化层的输出结果，g(·)为relu激励函数。

8.根据权利要求1所述的基于EMD和残差神经网络的滚动轴承故障诊断方法，其特征在于：所述超参数包括：训练迭代次数、自适应矩估计Adam的梯度优化方法的学习率。