[发明专利]一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法

权利要求书

1.一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述方法包括以下步骤；

(1)采集滚动体故障状态下、内圈故障状态下、外圈故障状态下和正常状态下的滚动轴承振动信号，作为原始振动信号进行模型训练；

(2)将原始振动信号构建为训练集和测试集；

(3)对采集到的原始振动信号进行集合经验模态分解EEMD，将原始的振动信号分解为n个本征模态IMF分量，EEMD分解的步骤如下：

(3.1)向原始信号x(t)中加入M次正态分布的白噪声b_k(t)，(k＝1,2,...,M)，即

x_k(t)＝x(t)+b_k(t)

(3.2)对加入白噪声的x_k(t)进行多次EEMD分解，得到n个IMF分量m_ij(t)，(j＝1,2,…,n)以及残余项r(t)，其中m_ij(t)表示第i次加入白噪声得到的第j个IMF分量；

(3.3)将每次得到的IMF分量做集成平均运算，得到原始信号x(t)经EEMD的最终结果为：

其中m_j(t)为M个带白噪声信号得到的IMF分量总体均值信号；

(4)针对(3)中的n个IMF分量构建神经网络，神经网络模型的损失函数是基于softmax的交叉熵损失函数，对将每个IMF分量视为一个通道的信号，在前5层构建多通道的1D卷积神经网络，即第一层卷积神经网络的输入通道为n；

(5)利用训练集对CNN进行训练，将(3)中提取的n个IMF分量输入到(4)中构建的神经网络模型中进行训练；

(6)利用训练好的模型对IMF分量进行特征提取，通过多层卷积和池化操作提取出来的特征作为支持向量机SVM的输入进行分类，从而达到故障诊断的目的。

2.如权利要求1所述的一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述步骤(4)中，神经网络结构如下：

(4.1)第一层：第一卷积层，卷积核大小为64×1、个数为16，后面连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling；

(4.2)第二层：第二卷积层，卷积核大小为3×1、个数为32，后面连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling；

(4.3)第三层：第三卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling；

(4.4)第四层：第四卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling；

(4.5)第五层：第五卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为ReLU，池化层为Max-pooling；

(4.6)第六层：池化层，其中池化层为GlobalAverage-pooling；

(4.7)第七层：全连接层；

(4.8)第八层：softmax层，利用softmax函数实现分类器。

3.如权利要求1或2所述的一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述步骤(5)中，训练方法采用的是Adam梯度下降方法，批量大小为128，迭代次数为100，训练完成后，保持CNN模型参数不变。