[发明专利]一种基于信号下采样及一维卷积神经网络的故障诊断方法

权利要求书

1.一种基于信号下采样及一维卷积神经网络的故障诊断方法，其特征在于：该方法包括如下步骤：

S1通过加速度传感器采集旋转机械故障源附近的振动信号；S2将采集到的振动信号根据序列样本尺寸截断获得截断信号后，对数据进行标准化处理，使不同类别数据的振幅值统一到同一范围中；S3针对标准化处理后的信号样本，根据基于稀疏-低秩分解的信号下采样方法构造一维序列样本；S4将S3中所得的一维序列样本输入所述改进的卷积神经网络进行训练，网络经过多次训练迭代后收敛后计算训练精度；S5根据训练的预测准确率调整网络参数，直至准确率达到稳定后，确定一维卷积神经网络模型用以故障诊断。

2.根据权利要求1所述的一种基于信号下采样及一维卷积神经网络的故障诊断方法，其特征在于：故障原始信号的采集过程如下：

针对目标故障机械设备在真实工况下的各类运行状态，在计算机，加速度传感器，测试设备构成的系统中执行以下步骤；通过安装在设备故障源附近的加速度传感器，设置采样频率及采样时间，采集每种工况状态下的振动加速度信号；将加速度传感器采集到的振动信号导入计算机，利用计算机MATLAB软件进行数据预处理。

3.根据权利要求1所述的一种基于信号下采样及一维卷积神经网络的故障诊断方法，其特征在于：振动信号的预处理过程如下：

对采集到的设备状态信号进行信号预处理，通过零-均值化方法使不同状态下的信号振幅值变为同一数量级；

根据公式(1)处理sⁱ，将原始数据数据进行标准化处理后转化为统一度量的值；获得转换后的数据zⁱ；

其中，μ(sⁱ)表示截断数据sⁱ的平均值，δ(sⁱ)表示截断数据sⁱ的标准差；

根据公式(2)求得由zⁱ计算得到包含故障信号中有效信息成分的低秩矩阵A与应当被舍弃的稀疏噪声矩阵E；

其中，A表示原始信号经分解后得到的，包含各类别故障有效特征信息的低秩信息矩阵，对其进行后续的下采样方法处理后即可得到所述一维样本序列；E表示包含原始信号中噪声等干扰成分的稀疏矩阵；X表示n维的原始信号X＝{x₁，x₂,...,x_n}；||A||_*表示低秩信息矩阵的核范数；||E||₁表示稀疏噪声矩阵的1范数；λ表示值大于0的平衡参数。

4.根据权利要求1所述的一种基于信号下采样及一维卷积神经网络的故障诊断方法，其特征在于：基于信号稀疏-低秩分解的信号下采样方法构造样本过程如下：

为获得尺寸m大小的所述实测故障类别一维样本序列的训练样本集，首先对经过S2实现标准化处理的的振动数据进行稀疏-低秩分解运算，通过将含有噪声的原始信息矩阵分解为两部分，被舍弃的部分为包含噪声干扰成分的稀疏矩阵，被保留并进行进一步处理的为包含原始信号中有效特征成分及信号结构信息的低秩信息矩阵；若每个信号长度为m的sⁱ，i＝1,...,m，其中i表示信号采样点序号，对原始信号做k次等间隔随机抽样，得到训练数据集样本k＝1,...,n，其中n为训练数据集中包含的样本数；为了使样本数据更好的涵盖整体原始数据中所包含的全部特征信息，调整m与n的值，使m×n的大小应当尽可能接近原始信号所包含采样点数的大小。