[发明专利]一种基于HTS-CNN模型的轴承故障诊断方法

说明书

本发明公开了一种基于HTS‑CNN模型的轴承故障诊断方法。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。本发明能够准确、有效地对滚动轴承故障进行分类。

技术领域

本发明涉及轴承故障诊断方法，特别是一种基于HTS-CNN模型的轴承故障诊断方法。

背景技术

滚动轴承在维持机械系统的稳定运行中有着至关重要的作用，但是其又极其容易损坏，据机械故障统计，仅滚动轴承故障这一类的比例就超过了40％。随着科技的进步，整个机械系统的科技水平和复杂性也与之增加。滚动轴承损坏将会导致整个机械系统停机，并因此造成重大的经济损失与人员安全问题。为了确保机械系统的安全运行，对滚动轴承故障的精确诊断变得尤为重要。

在传统机械故障诊断中，为了从复杂的非平稳信号中提取到有效特征，研究出大量的信号处理方法，例如傅里叶变换，小波变换，经验模态分解(EMD)，希尔伯特变换等，然后将提取的特征用于机器学习模型的训练，如K-近邻，支持向量机，决策树等。传统机械故障诊断因其需要对振动信号进行特征提取，所以在数据预处理的过程中会花费较长的时间，难以满足故障诊断实时性的要求。故障特征提取不仅要求研究者有一定的先验知识，并且人工提取的特征往往只对特定的数据集敏感。

为了克服以上问题，Ruonan Liu等人提出了一种改进卷积神经网络框架，曲建岭等人提出了基于一维卷积神经网络的滚动轴承自适应故障诊断算法。以上算法都采用了“端到端”的诊断模式并实现了轴承故障特征自适应提取，但仍面临参数难以选择、非相邻信号之间信息提取不充分的问题。

发明内容

本发明的目的在于，提供一种基于HTS-CNN模型的轴承故障诊断方法。本发明能够准确、有效地对滚动轴承故障进行分类。

本发明的技术方案：一种基于HTS-CNN模型的轴承故障诊断方法，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。

前述的基于HTS-CNN模型的轴承故障诊断方法所述的步骤a中，估计总体比例自适应确定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。

前述的基于HTS-CNN模型的轴承故障诊断方法所述的步骤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。

前述的基于HTS-CNN模型的轴承故障诊断方法所述的步骤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：