[发明专利]基于组合卷积神经网络的故障类型及损坏程度诊断方法

权利要求书

1.基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：包括以下步骤：

S1.数据采集与预处理：使用传感器收集机械设备在不同运行状态下的一维时序振动信号；将收集到的各状态信号分割成可训练样本，当样本不足时可进行重叠采样以达到数据增强的目的；然后根据故障诊断的要求构建不同的数据集；将数据集划分为训练、验证和测试样本并输入到一维卷积神经网络进行训练；

S2.构建一维卷积神经网络,在卷积层之后使用全局最大池化层代替全连接层；

S3.训练模型：根据要求将包含所有故障类型和损坏程度的数据集输入到已构建的一维卷积神经网络中，用于学习原始振动数据中的潜在复杂特征，并建立一种由原始一维振动信号到轴承故障类型或者故障损坏程度的多层映射关系；

S4.调整超参数和网络构架：针对神经网络的深度、卷积核的宽度、全局最大池化层、批标准化(Batch Normalization，BN)层和填充(Padding)对于模型的测试精度和运行时间进行比较；

S5.准备进行故障类型和损坏程度诊断的数据集，首先将包含全部故障类型和损坏程度的数据构成整体数据集，然后将每一种故障类型下不同损坏程度的数据组成多个独立的小数据集；

S6.分别训练各个模型：使用包含全部故障类型和损坏严重的数据集训练仅识别故障类型的网络；每一种故障类型下包含不同损坏程度的数据组成多种独立的数据集训练多个用于识别故障损坏程度的网络,通过学习得到不同的映射关系；

S7.将多个卷积网络组合成一个构架：将训练好的卷积神经网络进行组合，针对新收集的振动数据，通过预先训练好的组合模型，先对故障类型进行识别，然后再对故障损坏程度进行判断；

S8.完成故障类型识别和损坏程度诊断：完成端到端的特征自动提取与高精度故障类型识别和损坏程度诊断。

2.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S1中所述数据采集与预处理包括以下步骤：

S1.1，通过传感器采集在机械设备不同运行状况下的大量的一维时序振动数据，组成用于神经网络训练的大数据集；

S1.2，在保证模型运行速度的前提下选择适合机械故障诊断的样本维度；

S1.3，采用重叠采样的数据增强方法，假设样本的长度为L，偏移量为s，若数据集有n个数据，则可以得到(n-L)/s+1个样本；使用重叠采样对采集到的一维时序序列进行分割组成所需样本，将不同运行状态下的信号划分为单个样本，组成不同数据集；

S1.4，将上述所述的多个数据集组合成一个包含多种不同故障类型和损坏程度的数据集。