[发明专利]一种深度卷积神经网络的旋转机械健康评估方法

摘要

本发明公开了一种深度卷积神经网络的旋转机械健康评估方法，包括振动信号采集；网络训练集的构建；深度卷积网络的构建；深度卷积网络的训练；网络测试和健康指标的构建；健康指标评价。本发明结合深度学习强大特征提取能力的优势，训练标签设置考虑了分段线性退化。本发明将原始振动信号输入到深度卷积神经网络中，将深度卷积神经网络提取到的特征输入到深度神经网络中构建健康指标，利用多项式衰减学习效率高效训练神经网络。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。

主权项

1.一种深度卷积神经网络的旋转机械健康评估方法，其特征在于，包括如下步骤：步骤1，采集振动信号：对旋转机械的关键部件的振动信号进行采集；步骤2，构建网络训练集：对步骤1采集的振动信号，构建网络训练集，将旋转机械关键部件的原始振动信号作为卷积神经网络的输入，将数据分为两部分，训练集和测试集其中M是训练样本的个数，T是测试样本的个数，x_i是第i个训练样本，y_i是第i个训练样本对应的标签，x'_j是第j个测试样本，x_i，x'_j都是原始的振动信号；步骤3，构架深度卷积网络：构建包含9个层的深度卷积网络，包括2个卷积层，2个池化层，1个展开层，4个非线性转换层，模型的输入输出就是步骤(1)获取的数据；步骤4，训练网络：通过误差反向传递来最小化损失函数来训练，用多项式衰减学习效率来训练深度卷积神经网络；步骤5，网络测试和构建健康指标：将测试集的数据输入到步骤(2)训练好的网络中，测试集对应的输出就是评价滚动轴承退化过程的健康指标；步骤6，评价构建的健康指标：采用单调性和趋势性两个指标来评价构建的健康指标。