[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

说明书

本发明提供了一种多层次卷积神经网络模型的构建方法及应用，该方法包括以下步骤：(1)获得带有不同健康状态标签的振动信号样本序列；(2)将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)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，最后将两条链路的输出相结合送入分类器；(4)对多层次卷积神经网络进行训练和验证；将测试集输入到训练好的网络模型，得到诊断结果。本发明应用于滚动轴承、齿轮或电机转子的故障诊断。本发明将浅层特征与深层次特征相连接，解决了只考虑单一的深层次特征而忽略了浅层特征引起的数据特征丢失，影响诊断结果的问题。

技术领域

本发明属于神经网络技术领域，具体涉及一种多层次卷积神经网络模型的构建方法及应用。

背景技术

旋转机械中包含滚动轴承，齿轮，电机转子等部件，在现代工业中得到广泛应用，任一部件故障会导致严重的安全性损失和巨大的维护成本。在过去的几十年里，人们进行了大量的研究来开发有效的故障诊断方法。振动信号通常用于故障诊断，这种信号是一种周期性变化的时间序列数据。传统的故障诊断技术使用信号处理方法，如快速傅立叶变换(FFT)、变分模式分解(VMD)和小波分解，通过确定信号的周期性影响分量来识别故障。虽然上述方法可以有效解决小样本的轴承故障诊断问题，但对于大样本和复杂干扰，仍然存在以下现象。(1)故障诊断方法分为三个独立的部分，即特征提取、降维和分类。这种方法破坏了部件之间的耦合关系，并导致故障信息的部分丢失。(2)人工特征提取需要一定的先验知识，在可变负载和噪声下表现出泛化能力，并且在处理大量数据时会遇到困难。

近年来，深度学习网络作为一种高效的模式识别算法出现，有望克服当前智能故障诊断中的障碍。深度学习的特点是深度架构，多层堆叠在网络中，从原始输入数据中完全捕获代表性信息。在深度学习算法中，CNN广泛应用于图像处理、语音识别、视频处理和故障识别。郭等人提出了一种分级学习率自适应深度卷积神经网络，用于轴承故障诊断和严重程度判定，三个卷积层和池化层堆叠在顶部全连接分类器下面的网络中。孙提出了一种用于感应电机故障诊断的判别特征学习方法，卷积池结构用于从原始振动数据中提取有区别的和不变的特征。卷积神经网络能够很好的提取空间特征，但不能提取时间序列特征，针对这一问题乔等人提出了一种基于卷积神经网络和长短期记忆神经网络(LSTM)的双输入模型，利用一维卷积和池化层提取空间特征并保留数据的序列特征，然后利用LSTM层提取序列特征，该模型能够充分提取数据的空间特征和时间序列特征。虽然CNN提高了故障诊断的准确率，但是上述的方法都是将多层卷积后的特征进行诊断分类，因此只考虑了单一的深层次特征问题，忽略了浅层特征，从而存在数据特征丢失的问题，最终影响诊断结果。

发明内容

针对现有技术中的不足，本发明一种多层次卷积神经网络模型的构建方法及应用，通过对卷积神经网络浅层卷积特征与深层卷积特征相结合，以解决单一的深层次特征导致数据特征丢失，影响诊断结果的问题；并在深层卷积层后加入长短时记忆神经网络，进一步提取时间序列特征；由浅层的空间层与深层的空间层和时序层相结合构建一种多层次卷积神经网络(MLCNN)的故障诊断模型，并将其应用在轴承、齿轮和电机转子故障诊断中。

为解决上述技术问题，本发明采用的技术方案为：

本发明的技术构思为：首先将原始振动信号进行快速傅里叶变化提取出频域系数，然后将频域系数输入到多层次的卷积神经网络的模型中，该多层次模型主要为空间层和时序层，将浅层的空间层特征与深层空间层及时序层特征相连接，最后通过SOFTMAX分类器进行故障识别分类。

一种多层次卷积神经网络模型的构建方法，包括以下步骤：

(1)采集机械设备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；