[发明专利]一种多层次卷积神经网络模型的构建方法及应用

权利要求书

1.一种多层次卷积神经网络模型的构建方法，其特征在于，包括以下步骤：

(1)采集机械设备某一转动部件不同工况下不同位置的振动信号，按照不同工况对振动信号标记对应的健康或故障类别标签，构成带有不同健康状态标签的样本序列；

(2)将步骤(1)中的每种健康状态的样本序列分成训练集、验证集以及测试集；

(3)将原始的振动信号进行快速傅里叶变换，从而将时域信号转换成频域信号，并提取出频域系数；

(4)构建多层次卷积神经网络，以空间层和时序层形成两条链路，一条链路为浅层空间层，另一条链路为深层次的空间层和时序层；具体为将一层卷积后的网络分成两条链路，一条链路加池化层和全连接层，即提取浅层的空间层特征；另外一条链路加入卷积层，再加入长短时记忆网络层，接着再加池化和全连接，即提取深层次的空间层和时序层特征，最后将两条链路的输出相连接组合，即将浅层特征与深层特征结合后送入分类器；

(5)使用训练集对构建的多层次卷积神经网络模型进行训练，将步骤(3)中的频域系数输入到步骤(4)中的神经网络模型进行迭代训练；并使用验证集的频域系数对训练的多层次卷积神经网络模型进行验证；

(6)将测试集输入到训练好的多层次卷积神经网络模型，得到诊断结果。

2.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(1)中的机械设备转动部件为滚动轴承、齿轮或电机转子。

3.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(1)中的振动信号为转动部件的位移、速度或加速度信号。

4.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(1)中的带有不同健康状态标签的样本序列，其中的不同健康状态标签是指转动部件的不同故障类型和正常状态。

5.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(4)中构建多层次卷积神经网络的步骤如下：

(4.1)第一层卷积层，卷积核的个数为3、5或7，大小为5×1、3×1或64×1，步长为1或2，后面分成两条链路，一条链路后连接非线性激活层和池化层，其中激活层的激活函数为ReLU,池化层为Max-pooling,另一条链路连接第二层卷积层；

(4.2)第一条链路池化层后接入全连接层，全连接层为不少于32个神经元；

(4.3)第二条链路第二层卷积层的卷积核的个数为3、5或7，大小为5×1、3×1或64×1，步长为1或2，后面连非线性激活层和池化层，其中激活层的激活函数为ReLU,池化层为最大池化层Max-pooling或平均池化层Mean-pooling；

(4.4)第二条链路的池化层后连接LSTM层，其中LSTM层的激活函数为tanh,神经元的个数为16；

(4.5)第二条链路的LSTM层后接入全连接层，全连接层为不小于32个神经元；

(4.6)将第一条链路后的全连接层输出与第二条链路后的全连接层输出相连接；

(4.7)将两条链路连接后的特征输入到SOFTMAX层，利用softmax函数实现分类。

6.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(5)的使用训练集对构建的模型进行训练，在模型训练中采用自适应动量估计Amda或随机梯度下降SGD优化算法进行优化，批量大小不小于256，迭代次数不小于200，训练完后的CNN的模型参数不变。

7.一种如权利要求1-6任一项所述的多层次卷积神经网络模型的应用，其特征在于：所述的多层次卷积神经网络模型应用于转动部件的故障诊断。

8.根据权利要求7所述的一种多层次卷积神经网络模型的应用，其特征在于：所述转动部件为滚动轴承、齿轮或电机转子。