[发明专利]一种基于EEMD-MSE和多尺度一维卷积神经网络轴承故障诊断方法

说明书

本发明涉及一种基于EEMD‑MSE和多尺度一维卷积神经网络轴承故障诊断方法，首先用EEMD对轴承振动信号进行分解来削弱噪声对原始振动信号的影响，然后计算前5个IMF分量的MSE值来表征不同IMF分量多时间尺度的复杂度，能够解决IMF分量可能存在的多时间尺度的复杂性，并将其作为轴承振动信号的特征输入到多尺度一维卷积神经网络中，通过多个尺度的卷积核充分提取多个IMF分量的特征，从而有效且准确的对轴承故障类型进行识别，一维卷积神经网络应用多尺度卷积核能够增强卷积结构提取信息的能力，使用EEMD+MSE能够削弱噪声的影响，提取的特征可以更好地体现轴承振动信号的特点，能够更加有效准确的对轴承正常类型和以及内圈、滚动体、外圈等构件不同程度故障类型进行识别。

技术领域

本发明涉及轴承故障诊断的技术领域，具体为一种基于EEMD-MSE和多尺度一维卷积神经网络轴承故障诊断方法。

背景技术

在滚动轴承作为航空发动机等旋转机械中最基础且最易发生故障的部件之一，关于其故障的诊断与分析是近年来机械可靠性研究的热点之一。故障诊断通常可分为故障特征提取和故障诊断两个过程。故障特征提取是指从振动信号中提取出此种故障类型对应的与其他类型不同的特征量的活动过程；故障诊断是指通过机器学习等方法对所提取的特征进行自动识别，从而诊断出信号对应的故障类型的活动过程。

轴承振动信号具有非平稳、非线性特征，并且采集到的信号通常带有噪音。经验模态分解(Empirical mode decomposition,EMD)可以基于信号本身对非线性、非平稳性的信号进行分解,有很强的自适应性和信噪比，但是存在模态混叠的问题。集合经验模态分解(Ensemble empirical mode decomposition,EMD)通过在原始信号中加入正态分布的白噪声，解决了EMD存在的模态混叠问题。多尺度熵(Multiscale Entropy，MSE)能够在多个时间尺度上提取信号的样本熵值，以表征信号复杂度。

卷积神经网络(convolutional neural networks,CNN)是包含卷积计算的深度神经网络，是近年来特别热门的分类方法。传统卷积神经网络每个卷积层使用一种尺度的卷积核，无法充分提取信号特征。

发明内容

针对上述情况，为克服现有技术缺陷，本发明的目的是提供一种基于EEMD-MSE和多尺度一维卷积神经网络的滚动轴承故障诊断方法，能够削弱噪声信号的影响且有很强的自适应性和信噪比，可以有效且准确对轴承故障类型进行诊断。

本发明解决其技术问题所采用的技术方案是：一种基于EEMD-MSE和多尺度一维卷积神经网络轴承故障诊断方法，其特征在于，包括以下几个步骤：

步骤一：采集滚动轴承正常状态、故障直径0.1778mm、0.3556mm和0.5334mm的内圈故障、滚动体故障以及外圈故障状态振动信号作为原始振动信号进行模型训练；

步骤二：将采集到的轴承振动信号划分为训练集和测试集；

步骤三：通过EEMD算法对采集到的轴承振动信号进行分解，得到p个IMF分量；

步骤四：计算原始振动信号经EEMD分解得到的前5个IMF分量的MSE值；

步骤五：将步骤四中得到的前5个IMF分量的多尺度熵组合成一个一维数组作为原始信号的特征值，对该数组进行归一化处理；

步骤六：针对步骤五中的归一化数组，建立多尺度一维卷积神经网络模型，神经网络损失函数基于softmax的交叉熵函数，将归一化数组作为一个通道的信号，所以卷积神经网络的输入通道为1，训练的方法采用Adam梯度下降法，迭代次数25，从而多尺度一维卷积神经网络结构；

步骤七：将步骤五得到的归一化矩阵输入到步骤六中构建的神经网络模型中进行训练和故障分类。

优选的，其中步骤三的具体分解步骤为：