[发明专利]一种基于卷积神经网络的加速度计故障诊断方法

权利要求书

1.一种基于卷积神经网络的加速度计故障诊断方法，其特征是，包括以下步骤：

第一步：对加速度计进行故障类别建模与特征提取；

第二步：搭建CNN卷积神经网络模型并进行训练；

第三步：采用训练好的卷积神经网络模型对测试样本进行测试，输出故障诊断结果。

2.根据权利要求1所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，第一步，对加速度计进行故障类别建模与特征提取的步骤包括：

将加速度计输出的一维数据转化为灰度图像，信号幅度特征转化为灰度图像像素强度，信号序列特征转化为像素点排列特征。

3.根据权利要求1所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，第二步，搭建设定层数的卷积层和池化层，并对各层网络的偏置和权值预定义，对带有故障类别标签的加速度计训练集进行训练，灰度图像经过各层特征图传递，在全连接层得到一个一维向量，最后通过输出层输出实际向量，输出向量与理想向量的差值得到代价误差，代价误差反向传播，不断更新各网络层的参数值，直到达到迭代要求，完成卷积神经网络模型的训练。

4.根据权利要求1或3所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，搭建的卷积神经网络模型，至少包括卷积层、池化层、全连接层和输出层。

5.根据权利要求4所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，第一步转化的灰度图像输入到卷积层，卷积操作后加上第一偏置参数得到新的特征图，输入池化层。

6.根据权利要求5所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，池化层采用下采样操作，对卷积层的输出平均池化，得到的值加上第二偏置参数输出至下一层。

7.根据权利要求6所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，全连接层将上一层输出的特征图进行分类，输入特征和权重向量之间点积计算，再加上第三偏置参数后输出至输出层。

8.根据权利要求7所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，输出层输出一维向量，4个节点，对特征图进行分类，输出维数对应加速度计故障类别数目，输出向量的每个元素值表示所属故障类别的概率；输出值最大的元素对应的故障类别即为加速度计故障类型。

9.根据权利要求1所述的一种基于卷积神经网络的加速度计故障诊断方法，其特征是，第三步中，将测试样本输入到训练好的卷积神经网络模型中，输出值最大的元素对应的故障类别即表示模型诊断结果，将模型诊断结果与实际测试样本所带的故障类别标签对比，统计正确率。