[发明专利]一种基于空间池化网络的滚动轴承故障诊断方法

权利要求书

1.一种基于空间池化网络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：采集滚动轴承在故障状态和正常状态下的振动信号，不同类型的轴承振动信号数据作为一个域赋予不同的标签，对轴承振动信号数据进行切割形成样本并划分为训练集、验证集和测试集，具体包括：

步骤S11：首先是采集滚动轴承在至少三种不同故障直径尺寸下滚动体故障B、外圈故障OR、内圈故障IR状态和正常状态下的振动信号，并加入高斯白噪声，不同类型的轴承振动数据作为一个域赋予不同的标签；

步骤S12：取连续的多个数据点为一个样本，采用数据重叠分割的方法进行数据增强；

步骤S13：将得到的样本划分为训练集、验证集和测试集，其中训练集和验证集样本的振动信号用于训练过程，测试集用于计算模型精度，不参与训练；

步骤S2：将所述训练集和所述验证集中的样本输入到卷积神经网络中进行训练，所述卷积神经网络由多个“卷积＋池化”组成，根据验证集诊断准确率和损失函数值调整所述卷积神经网络结构，具体包括：

步骤S21：将步骤S1中的所述训练集和所述验证集样本输入到初始化的卷积神经网络模型，所述初始化的卷积神经网络模型为典型卷积神经网络；

步骤S22：根据所述测试集和所述验证集的诊断准确率及损失函数调整网络结构，最终选择的卷积神经网络结构由四个“卷积＋池化”单元和一个全连接层和softmax分类器组成；

步骤S3：在调整后确定结构的卷积神经网络最后一个“卷积＋池化”单元后，设置空间池化注意力机制实现对特征的加权，加权后的特征继续通过两层空间池化层实现对特征信息的整合，最后加入softmax分类器完成空间池化网络的构建，具体包括：

步骤S31：分别在步骤S22中确定好的卷积神经网络的不同层加入空间池化注意力机制，由训练集和验证集的诊断准确率和损失函数确定空间池化注意力机制设置在卷积神经网络最后一个“卷积＋池化”单元之后；所述空间池化注意力机制是通过最大池化和均值池化实现特征在空间上的压缩，并通过sigmoid函数计算得出注意力的概率分布，设为维特征矩阵，其中为空间维度，为通道维度，空间池化注意力机制的数学模型可以表述为：

式中，和分别代表平均池化和最大池化，为多层感知机，为激活函数，是由特征矩阵学习得到的空间池化注意力概率矩阵，其大小为，学习得到的注意力概率矩阵与原特征融合的计算公式为：

步骤S32：经过空间池化注意力机制加权后的特征又通过两层空间池化层进行特征信息整合；

步骤S33：通过两层空间池化的特征输入到Softmax层实现滚动轴承状态分类；

步骤S4：将所述训练集和所述验证集中的样本输入到所述空间池化网络中进行参数更新，当目标函数满足迭代终止条件时停止更新；

步骤S5：将所述测试集的样本输入到已经训练好的所述空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

2.根据权利要求1所述的基于空间池化网络的滚动轴承故障诊断方法，其特征在于，所述步骤S4中，训练时采用Adam优化器，损失函数采用交叉熵损失函数；当训练集和验证集损失函数值都较小且趋于稳定时停止迭代。

3.根据权利要求2所述的基于空间池化网络的滚动轴承故障诊断方法，其特征在于，所述步骤S5中,将同负载下的测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度，同时用不同负载下的样本进行验证并与其他模型进行对比分析。