[发明专利]一种基于欧拉特征提取的故障诊断方法

权利要求书

1.一种基于欧拉特征提取的故障诊断方法，其特征在于，包括以下步骤：

步骤一：欧拉特征提取，EFE处理原始故障数据生成的波形图可以直接用作Resnet50网络的输入；

步骤二：ResNet50网络的训练，将经过EFE处理的特征图像输入Resnet50网络模型，并对其参数进行训练；

步骤三：故障诊断，ResNet50分类器的角色由Linear来扮演，它通过前一个训练阶段对网络参数进行训练后，对故障类型进行分类。

2.根据权利要求1所述的一种基于欧拉特征提取的故障诊断方法，其特征在于，所述ResNet50网络包含了CNN中各种重要的基本单元。

3.根据权利要求1所述的一种基于欧拉特征提取的故障诊断方法，其特征在于，所述欧拉特征值提取包括在欧拉公式的基础上提出了利用数据与时间信息的欧拉特征提取公式

e^iπ＝cosφ+isinφ (1)

其中，i为时间序列信号所对应的时间点，φ为时序信号对应的角余弦；

欧拉特征提取公式如下：

第一，对于给定时间序列X＝{x₁,x₂，…，x__n}，首先，将其所有值压缩在[-1,1]区间内；

式中x_i为原始时间序列，为压缩后的时间序列；

第二，压缩值被编码为角余弦；

最后，结合角余弦、原始时间序列和压缩后的时间序列，得到两个欧拉特征提取公式；

第三，对于FirstEuler，我们将其变形为三个不同的FirstEuler，即A-FirstEuler,B-FirstEuler和C-FirstEuler；

4.根据权利要求1所述的一种基于欧拉特征提取的故障诊断方法，其特征在于，所述故障诊断在电力电子电路故障数据集和滚动轴承故障数据集两个完全不同的故障数据集上进行了验证：

通过交叉验证，使用三个性能指标来衡量GADF-2DCNN模型的诊断性能；通过ACC，P和R三个指标的影响分别代表测试集的准确率、精密度和查全率，综合评价模型的分类效果；它们的定义如下:

其中TP、FP、TN、FN分别为真阳性、假阳性、真阴性、假阴性样本数，准确度、召回率和精度范围从0到1，值越大，故障诊断性能越好。