[发明专利]基于优化结构卷积神经网络的旋转机械故障诊断方法

摘要

本发明公开了一种基于优化结构卷积神经网络的旋转机械故障诊断方法，首先在旋转机械正常状态下和故障状态下采集工作信号，然后转换为灰度图，将灰度图和对应的故障标签作为训练样本对构建的卷积神经网络进行训练；在旋转机械工作过程中，采集工作信号并转换为灰度图，输入训练好的卷积神经网络进行故障诊断。本发明采用将采集得到的旋转机械工作信号转化为灰度图，通过卷积神经网络完成对旋转机械故障的多分类任务。

主权项

1.一种基于优化结构卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1：分别在旋转机械正常状态下和R种故障状态下随机截取长度为M2的工作信号Ln(m)，其中n＝1,2,…,N，N表示工作信号的数量，m＝0,1,…,M2‑1，M2＝k×2d，并且M2＞T，T表示工作信号的周期，记每段工作信号Ln(m)对应的标签为Yn，标签Yn用于标识工作信号对应的旋转机械的工作状态；将每段工作信号转化为大小为M×M的灰度图In，灰度图中像素点(i,j)的像素值fn(i,j)采用以下公式计算：其中，i,j＝0,1,…,M‑1，round(·)表示舍入函数，Maxn、Minn分别表示一维加速度振动信号Ln(m)的最大值和最小值；S2：按照以下方法构建得到卷积神经网络：第1层为卷积层Conv1，第2层为最大池化层Pool1，第3层为卷积层Conv2，第4层为最大池化层Pool2，第5层为卷积层Conv3，第6层为cccp层Cccp1，第7层为cccp层Cccp2，第5、6、7层构成MlpConv层，第8层为全局平均池化层Pool3，第9层为输出层softmax，其中在Conv3、Cccp1、Cccp2中采用修正线性单元Relu作为激活函数；S3：将步骤S1中得到的每幅灰度图In作为输入，对应的标签Yn作为期望输出，对步骤S2构建的卷积神经网络进行训练；S4：在旋转机械工作过程中，根据需要采集一段长度为M2的工作信号L′(m)，采用步骤S101中的相同方法将该工作信号转化为大小为M×M的灰度图I′n，然后将灰度图I′n输入至步骤S103训练好的卷积神经网络中，得到诊断结果。