[发明专利]基于迁移学习振动信号图像识别的轴承故障诊断方法

权利要求书

1.基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：包含以下步骤：

首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；

然后利用所述轴承振动信号图像样本数据集，采用BP算法对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；

然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断；

每次采集所述轴承振动信号时的采样频率一致；每次采集所述轴承振动信号时的采样数据的个数一致；

所述轴承振动信号图像数据的分辨率为800*600；每个所述轴承振动信号图像数据的坐标尺度都一致；

在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先调整所述全连接层的输出神经元的个数与所述轴承状态的个数相等，且同时调整所述softmax层的输出神经元的个数与所述轴承状态的个数相等；

在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先将全连接层的输出神经元的参数和softmax层的输出神经元的参数初始化为互不相同的随机数；然后将全连接层的输出神经元和softmax层的输出神经元全部设为可训练状态；将Inception V3模型的特征提取器中的神经元的学习率设为0。

2.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述轴承状态包含“正常运行”、“滚珠故障”、“内圈故障”、和“外圈故障”。

3.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述softmax层按下式定义：

其中：s_i为输入的轴承振动信号属于第i种状态的得分；p_i代表输入的轴承振动信号属于第i种状态的概率，且N为轴承振动信号图像样本数据集中的轴承状态的总数。

4.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述BP算法采用交叉熵损失函数；所述交叉熵损失函数按下式定义：

其中：L为交叉熵损失函数；y_i为模型实际输出值；z_i模型预测输出值。

5.根据权利要求1～4任一所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断，包含以下步骤：

首先获取所述轴承振动信号；然后将所述轴承振动信号预处理后得到的所述轴承振动信号图像数据，输入到所述适用于轴承故障诊断的InceptionV3模型；最后输出计算得到的所述轴承状态。