[发明专利]清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法

权利要求书

1.一种清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法，其特征在于：包括以下步骤：

步骤1，利用加速度传感器分别获取旋转机械正常状态和不同故障状态的M种工况的一维时域振动信号，每种工况的一维时域振动信号分别采集N组，其中N≥20，M种信号分别得到N组一维时域振动信号样本，分别记为x_MN；

步骤2，利用双谱分析技术对每个一维时域振动信号样本x_MN进行处理，得到每个一维时域振动信号样本x_MN的振动双谱图

步骤3，利用Matlab指令将每个一维时域振动信号样本x_MN的振动双谱图转换为二维灰度图

步骤4，利用增强型超分辨率重建网络对每个灰度图进行清晰化处理，得到清晰化振动双谱灰度图

步骤5，利用每个清晰化振动双谱灰度图构造诊断样本集，并为诊断样本集中的每个样本加注标签，将已加注标签的M种工况下的所有清晰化振动双谱灰度图组成的诊断样本集作为训练样本集；

步骤6，建立基于改进卷积神经网络的旋转机械故障诊断模型，采用步骤5的训练样本集对改进卷积神经网络进行训练，将训练样本集中加注标签的样本依次输入由输入层、卷积层、池化层、多尺度卷积层、全局平均池化层和输出层组成的改进卷积神经网络中，最小化由交叉熵损失函数构成的改进卷积神经网络的损失函数，采用有监督逐层训练方法进行逐层训练和调优，得到改进卷积神经网络的连接权重和偏置参数；

步骤7，采用确定连接权重和偏置参数的改进卷积神经网络模型对训练样本集中的每个样本进行自动特征提取，并用所提取的训练样本特征训练softmax分类器，得到softmax分类器模型；

步骤8，利用加速度传感器采集待测旋转机械运行时的M种工况的一维时域振动加速度信号数据，并利用双谱分析技术对每种工况的一维时域振动加速度信号数据进行处理，得到每种工况的一维时域振动加速度信号数据的振动双谱图；然后，将每种工况的振动双谱图转换为二维灰度图，并利用增强型超分辨率重建网络对每个灰度图进行清晰化处理，将处理后得到的清晰化振动双谱灰度图作为测试样本；

步骤9，将测试样本作为训练好的改进卷积神经网络的输入，对测试样本进行深度学习，采用确定了连接权重和偏置参数的改进卷积神经网络模型对测试样本进行特征提取，得到测试样本特征；

步骤10，将测试样本特征作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的softmax分类器对测试样本与训练样本进行分类匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，得到待测旋转机械的故障诊断结果。

2.根据权利要求1所述的清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法，其特征在于：所述步骤2中双谱分析的公式为：

其中，E[·]表示数学期望，{x(i)}表示零均值的三阶平稳随机过程，t₁,t₂表示任意延时。

3.根据权利要求1或2所述的清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法，其特征在于：所述步骤5中加注标签为数字或者字符，该数字或者字符表示旋转机械故障所出现的健康状态、故障部位、故障类型及故障等级中的至少一种指标。