[发明专利]一种基于卷积神经网络的滚动轴承性能退化评估方法

权利要求书

1.一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，包括以下步骤：

步骤S1：数据获取并预处理：对正常状态下的滚动轴承数据做快速傅里叶变换和归一化处理，将此数据作为训练样本，准备输入到卷积神经网络；

步骤S2：建立评估模型：将步骤S1处理后所得的训练样本输入到卷积神经网络完成特征自动提取，设置标签为[1，0]，完成卷积神经网络评估模型的构建，并获得滚动轴承的性能退化指标；

步骤S3：实时评估：把同一滚动轴承的未知振动信号经过上述训练建立完成的模型，得到性能退化指标，描绘出滚动轴承的性能退化曲线。

2.根据权利要求1所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，所述步骤S1中的归一化是指将经过快速傅里叶变换处理后的滚动轴承振动信号幅值范围规范到0～1，归一化方式为：

其中，y_min和y_max表示归一化的范围值，这里y_min＝0，y_max＝1，x_min和x_max表示被归一化数据中的最小值和最大值。

3.根据权利要求1所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，所述步骤S1中，卷积神经网络主要有三层结构：卷积层、池化层和全连接层，通过堆叠来形成一个完整的卷积神经网络。

4.根据权利要求3所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，所述卷积层输入进去的数据信号运用权值共享操作直接与卷积层里的卷积核进行卷积运算产生新的特征图谱，通过权值共享可避免由过多网络参数引起的过拟合，加快网络收敛速度，卷积过程的数学表达式为：

其中，M_j表示为输入的特征矢量；l表示为第l层网络；w表示为卷积核；b为网络的偏置值；表示为第l层输出；代表为上一层的输出；i和j代表两个相连的神经元；f为提高网络的非线性表达能力的RELU激活函数，其数学表达式为：

f(x)＝max(0，x)          (3)。

5.根据权利要求3所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，所述池化层通过对上一层卷积得来的特征图谱进行降采样操作，以此来减少模型中网络的参数，选用最大池化方法，最大池化方法的数学表达式为：

其中，表示为第l层表示第i个特征矢量中第t个神经元的值，t∈[(j-1)w+1，jw]；W表示池化区域的宽度，表示为第l+1层神经元对应的值。

6.根据权利要求3所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，所述全连接层则是将最后得到的特征图谱作平铺操作，将其平铺展开成一维的特征向量，然后执行分类或回归任务，全连接层的前向传播表达式为：

其中，表示为第l层第i个神经元与第l+1层第j个神经元之间的权重，表示为l+1层第i个神经元的输出值，表示为偏置值，f为非线性激活函数。

7.根据权利要求1所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，步骤S2中，将步骤S1处理后所得的训练样本输入到CNN，其中卷积神经网络的训练过程主要由前向传播和反向传播构成，前向传播将输入数据层层递进获得输出，反向传播的是利用损失函数计算得出预测值与真实值之间的误差，其中的损失函数用交叉熵损失函数，公式为：

其中，l{y_i＝j}表示括号里的数值为真值时为1，为假值时为0的示性函数，K是训练样本总的数量，C是训练样本类别的个数，y_i表示第i个训练样本的真实值，表示第i个训练样本为第j个类别的预测概率，误差反向传播使用梯度梯度下降法来最小化损失函数L(W，e)，以此更新每一层的参数W和e，参数的更新公式为：

式中，η为卷积神经网络的学习率。

8.根据权利要求7所述的一种基于卷积神经网络的滚动轴承性能退化评估方法，其特征在于，所述步骤S2中的卷积神经网络评估模型的建立是把轴承正常状态下的振动信号经过步骤S1获得的数据作为卷积神经网络的输入，经过卷积神经网络的特征自动提取，然后在其最后全连接层的Softmax的输出端设置两个节点，分别代表正常和失效状态，将其代表正常状态的输出作为轴承的性能退化评估指标PC，构建完成滚动轴承性能退化评估模型；将新的样本送入到卷积神经网络评估模型中，最后会输出PC值，PC值的大小代表轴承的正常状态的概率；轴承正常状态下时PC值是保持恒定不变的，若PC值减小则表明轴承处于退化状态，且PC值可以表示轴承的故障严重程度，即PC值越小意味着故障严重程度越大。