[发明专利]基于CNN和Adaboost的轴承故障分类方法

摘要

本发明公开了一种基于CNN和Adaboost的轴承故障分类方法，先采集轴承信号，再对轴承信号预处理，提取出时域信号和时频域信号；然后分别基于时域信号和时频域信号构建时域弱分类模和时频域弱分类模，再将时域弱分类模和时频域弱分类模进行集成，并用集成后的分类模型预测出待检测无人机轴承信号的隶属概率值，从而实现无人机轴承故障分类。

主权项

1.一种基于CNN‑Stacking的无人机轴承故障诊断方法，其特征在于，包括以下步骤：(1)、获取信号数据集(1.1)、获取无人机内所有轴承的信号，构成不平衡数据集F＝{f⁽ⁱ⁾|i∈[1,m]}，f⁽ⁱ⁾表示第i个轴承产生的信号，m为无人机内轴承总个数；其中，f⁽ⁱ⁾为第i个轴承产生的正常信号或内环故障信号或滚珠故障信号或外环故障信号；(1.2)、采用大数据采样方式对不平衡数据集进行采样，设采样次数为λ次，从而生成λ组平衡数据集；(2)、信号预处理(2.1)、采用变分模态分解将f⁽ⁱ⁾分成n个分解信号其中，分解后的第k个分解信号为：其中，x∈[1,n]，σ为常数，α为二次惩罚因子，ω⁽ⁱ⁾为f⁽ⁱ⁾的中心频率，为第k个分解信号的中心频率；中心频率的计算公式为：(2.2)、将n个分解信号进行滤波处理后再叠加，形成信号U⁽ⁱ⁾，(2.3)、基于小波变换分解信号U⁽ⁱ⁾，形成时频域信号F⁽ⁱ⁾；(2.4)、以周期为断点，将一维时域信号U⁽ⁱ⁾重构为二维时域数据，得到时域信号S⁽ⁱ⁾；(3)、利用λ组平衡数据构建时域弱分类模(3.1)、利用时域信号S⁽ⁱ⁾搭建CNN网络模型；(3.2)、分别用每一组平衡数据训练CNN网络模型，得到对应对应的时域弱分类模型，记为(4)、利用λ组平衡数据构建时频域弱分类模(4.1)、利用时频域信号F⁽ⁱ⁾搭建CNN网络模型；(4.2)、分别用每一组平衡数据训练CNN网络模型，得到对应的时域弱分类模型，记为(5)、CNN‑Stacking网络模型的集成基于Stacking技术，在2λ个弱分类模型中，以一组时域数据和一组时频域数据为一组进行级联融合，形成CNN‑Stacking网络模型。(6)、无人机轴承故障诊断将待检测的无人机轴承信号分别输入至级联后的时域弱分类模型和时频域弱分类模型，每个弱分类模型输出代表正常轴承、内环故障、外环故障和滚珠故障的一组带有正确标签的四维向量；再将2λ组带有正确标签的四维向量输入至softmax函数，通过softmax函数对2λ组四维向量进行非线性融合输出，最终得到一组代表正常轴承、内环故障、外环故障和滚珠故障的四维向量概率值，然后取四维向量概率值最大的一个值对应的故障状态作为该轴承的故障诊断分类结果。