[发明专利]一种基于CNN和FCMC的滚动轴承智能故障诊断方法

权利要求书

1.一种基于CNN和FCMC的滚动轴承智能故障诊断方法，其特征是，包括以下步骤：

S1：采集滚动体故障BF状态下、内圈故障IRF状态下、外圈故障ORF状态下，故障直径分别为0.18mm、0.36mm和0.54mm和正常状态下的滚动轴承振动信号作为数据集，并对采集到的滚动轴承的振动信号进行适当的预处理，作为原始信号对模型进行训练和测试；

S2：将原始信号分为已知故障样本和待测故障样本，输入到训练好的CNN模型中，对其进行特征提取，构建的卷积神经网络由5个卷积层和一个Global Average-pooling层组成，每个卷积层后都紧跟一个Max-pooling层和一个Batch Normalization层；并利用主成分分析法PCA，对提取出的特征进行PCA降维操作；

S3：通过已知故障样本的特征集对模糊C均值聚类模型的聚类中心和隶属度矩阵进行更新，当目标函数J_m满足迭代终止条件时，停止更新，输出聚类中心和隶属度矩阵；

S4：采用最大隶属度法对隶属度矩阵U进行硬化处理；

S5：根据已知故障样本的聚类中心和隶属度矩阵，对待测故障样本进行故障识别，判断待测故障样本的故障种类。

2.根据权利要求1所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法，其特征是，所述S2包括以下步骤：

S21：对数据集进行标准化转换，得到均值和方差：

其中q为样本集的个数，x_ij为第i个样本的第j维特征值，为原始高维向量空间第j维的平均值，为该分量上的方差，标准化数据集为：

S22：对标准化数据集求协方差矩阵：

S23：求解协方差矩阵Cov的特征方程|Cov-λI_m|＝0，得m个特征根，对每个λ_j,j＝1,2,...,m，解方程组Covb＝λ_jb得单位特征向量b_j；

S24：构建降维转换矩阵：

b_j为单位特征向量。

3.根据权利要求1所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法，其特征是，所述S3包括以下步骤：

S31：确定聚类中心个数c，模糊系数m＝2，初始化聚类中心和隶属度矩阵；

S32：计算聚类中心C＝[c_j]，公式如下：

其中，m是模糊系数；i，j是类标号；u_ij表示样本x_i属于j类的隶属度；

i表示第i个样本，x是具有d维特征的一个样本；

c_j是j簇的中心，也具有d维度；

S33：计算样本点与聚类中心之间的欧氏距离来更新隶属度u_ij；

S34：计算目标函数J_m；

其中1≤m≤∞；

S35：判断是否满足迭代终止条件，若满足则返回S32，所不满足则停止迭代。

4.根据权利要求3所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法，其特征是，更新隶属度u_ij由以下公式进行：

其中，||*||可以是任意表示距离的度量。

5.根据权利要求3所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法，其特征是，所述S35中判断方法为以下公式：

其中k是迭代步数，ε是误差阈值，ε＝0.0001。

6.根据权利要求1所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法，其特征是，所述S4具体步骤为：采用最大隶属度法对U进行硬化处理，将U中每一行的最大隶属度值设为1，将该行的其他项设为0。