[发明专利]一种基于HTS-CNN模型的轴承故障诊断方法

权利要求书

1.一种基于HTS-CNN模型的轴承故障诊断方法，其特征在于，按下述步骤进行：

a.利用估计总体比例的方法自适应确定HTS-CNN模型训练样本数目；

b.通过对训练样本的时间序列片段进行随机组合的方式，提取非相邻信号特征，将非相邻信号特征进行预处理作为混合层；

c.将混合层的输出与CNN内核进行卷积，利用Softmax激活函数在HTS-CNN模型输出端执行多分类任务；

所述的HTS-CNN表示混合时间序列-卷积神经网络；

所述的CNN表示卷积神经网络；

所述的Softmax表示卷积神经网络的激活函数；

步骤b具体为：从训练样本中随机选取长度t_i1，然后从t_i1开始截取长度为n的信号，且每一次选取的信号均不相邻、长度t_i1均不相等，以此提取非相邻信号特征，在提取i次后，把提取的信号组合到矩阵D中形成混合层；

步骤c中，混合层的输出为：

假设输入的时序信号为x(t)，那么混合层的输出可以表示为：

D(i，：)＝x(t_i1：t_i2)

其中：

上式中：D(i,:)为混合层的输出，其为一个i×n矩阵，n为对原始信号所截取的长度；i是D的样本个数；len(x(t))为原始信号的长度，random(0,len(x(t))–n)表示在0到len(x(t))-n的位置中任意取一点，且相同位置点只取一次；

x(t_i1∶t_i2)则表示t_i1至t_i2这一时间片段内的时序信号；

步骤c中，混合层的输出与CNN内核进行卷积时，在每个卷积层后加一池化层；

所述的池化层的池化为：

x_i+1＝f(βdown(x_i)+b)

式中：x_i为输入，x_i+1为输出，β为乘性偏置，b为加性偏置，down()为池化函数，f(·)为激活函数；

步骤c中，将混合层的输出与CNN内核进行卷积的过程具体如下：

得到混合层D1后添加一个卷积层C2，C2中32@3×4代表有32个大小为3×4的卷积核，随后添加一个窗口大小为2×2最大池化层S3，经过池化后的特征图的长宽均缩小一倍；然后添加卷积核为32@3×4的C4和窗口大小为2×2最大池化层S5；接下来应用卷积核为64@3×4的C6和窗口大小为2×2最大池化层S7，在S7后增加一个丢弃层S8；最后，添加一个全连接网络，先将S8输出的特征图展平为F9中的一维特征映射；然后再将这些特征进行连接，最后经过Softmax激活函数进行分类；

C4表示卷积层；64@3× 4是模型中的具体参数，表示的是64个大小为3× 4的卷积核；C6表示卷积层；S8表示丢弃层；F9表示平滑层。

2.根据权利要求1所述的基于HTS-CNN模型的轴承故障诊断方法，其特征在于，步骤a中，估计总体比例自适应确定HTS-CNN模型训练样本数目具体为：

其中，z为标准正态分布分位点值，P为总体比例，e为估计误差，N为总体大小，n₂为确定的样本容量。

3.根据权利要求1所述的基于HTS-CNN模型的轴承故障诊断方法，其特征在于，所述的HTS-CNN模型的超参数中的激活函数为PReLU。

4.根据权利要求1所述的基于HTS-CNN模型的轴承故障诊断方法，其特征在于，所述的HTS-CNN模型的超参数中的优化器和学习率分别为Adam和0.001。

5.根据权利要求1所述的基于HTS-CNN模型的轴承故障诊断方法，其特征在于，所述的HTS-CNN模型的超参数中的批处理样本数目为64。