[发明专利]基于FFT和全连接层-SVM的滚动轴承故障诊断方法

权利要求书

1.基于FFT和全连接层-SVM的滚动轴承故障诊断方法，其特征在于：包括以下步骤：

步骤S1：使用加速度传感器检测滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号，得到包含正常和多个故障状态的振动信号的样本数据集，然后将样本数据集按照6:4的数据比例划分为训练数据集和测试数据集；

步骤S2：将训练数据集和测试数据集中的振动信号数据进行快速傅里叶变换，实现将原有练数据集和测试数据集中振动信号的时域振动信号变换得到训练数据集和测试数据集的1024维频域信号；

步骤S3：对步骤二得到的训练数据集和测试数据集的频域信号取绝对值，并代入归一化公式进行归一化处理，得到初步提取的振动信号的频域信号，使得各个频域信号的幅值相同，避免幅值小的信号在后续的全连接层特征提取的过程中被幅值大的信号覆盖掉；

步骤S2-S3所述的训练数据集和测试数据集的振动信号数据的处理变换过程为：

S2.1首先将训练数据集和测试数据集中的振动信号数据分别代入到快速傅里叶变换公式中，利用快速傅里叶变换公式将各个振动信号进行分解，得到振动信号的频域信号；

S2.2然后对快速傅里叶变换提取到的频域信号取绝对值；

S2.3利用提取的各个维度频域信号除以样本数量，求出各个维度的频域信号的平均值；

S2.4对提取的频域信号进行排序，提取出幅值最大的前1024维频域信号；

S2.5对提取的1024维频域信号进行归一化处理，使得各个频域信号的幅值相同，避免幅值小的信号在后续的全连接层特征提取的过程中被幅值大的信号覆盖掉；

步骤S4：将归一化处理后的训练数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到训练数据集的10维频域故障特征，将这10维频域故障特征输入到高斯基核函数SVM模型中，自适应的选择最优特征并进行故障诊断模型的训练，得到训练好的高斯基核函数SVM模型；

将归一化处理后的测试数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到测试数据集的10维频域故障特征；

步骤S4所述的频域信号数据自动进行加权求和的具体过程如下：

S4.1设初始的1024维的频域故障特征为；

S4.2则得到的10维频域故障特征为：

其中：b₁、b₂、……、b₁₀为得到的频域故障特征；代表第i个初始频域信号的神经元和第j个得到频域神经元之间的权值系数；

步骤S4.2所述的权值系数在每次计算时，都利用反向传播算法根据每次计算结果的偏差自动优化连接层的，进而使提取出来的特征反映滚动轴承当前的实际状态，保证分类结果的准确性，所述利用反向传播算法对进行自动优化的过程为：

对利用反向传播求导可得：

其中：为学习率参数，为对权重系数反向求导，这样可以根据每次计算结果的偏差自动优化连接层的权值系数；

步骤S5：将步骤S4得到的测试数据集的10维频域故障特征代入训练好的高斯基核函数SVM模型中，采用一对多法进行分类诊断，得到故障检测结果，并进行输出。

2.根据权利要求1所述的基于FFT和全连接层-SVM的滚动轴承故障诊断方法，其特征在于：步骤S5的诊断过程为：

S5.1将经步骤S4处理得到的10维测试数据频域特征进行训练，得到10个SVM，这些SVM用于得到10个分类类别，分别是；

S5.2将步骤S5.1中的10个SVM进行抽取，

在抽取训练集的时候，分别抽取：

（1）所对应的向量作为正集，所对应的向量作为负集；

（2）所对应的向量作为正集，所对应的向量作为负集；

......

（10）所对应的向量作为正集，所对应的向量作为负集；

S5.3然后使用步骤S5.2抽取的这10个SVM分别与步骤S4得到的训练好的高斯基SVM模型中进行训练，得到十个测试结果文件，每个测试结果文件对应一个结果；

S5.4从这10个结果中选出最大的结果值，作为最终的分类结果，即得到故障检测结果。