[发明专利]基于卷积神经网络和高斯混合模型的轴承故障诊断方法

摘要

本发明属于故障诊断领域，并公开了基于卷积神经网络和高斯混合模型的轴承故障诊断方法。该方法包括：(a)对于旋转机械轴承，采集不同故障工况下的振动信号形成数据集,构建初始卷积神经网络模型；(b)训练每个故障类型对应的初始卷积神经网络模型；(c)采用最终卷积神经网络模型对振动信号输入进行特征提取，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；(d)采用高斯混合模型、贝叶斯网络框架和EM算法获得用于诊断故障类型的最终的图模型；(e)对于待诊断振动信号，利用最终的图模型诊断待诊断振动信号对应的故障类型，以此实现故障的诊断。通过本发明，实现图模型实现故障诊断，提高了故障诊断的准确性。

主权项

1.基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，该方法包括下列步骤：/n(a)对于旋转机械轴承，采集其在不同故障工况下的振动信号，以此获得多个故障工况下的振动信号形成的数据集,根据每种故障类型，构建与该故障类型相对应的初始卷积神经网络模型；/n(b)在训练每个故障类型对应的初始卷积神经网络模型时，首先对所述数据集中的振动信号添加标签，当所述振动信号对应的故障类型与当前训练的初始卷积神经网络模型对应的故障类型相同时，对该振动信号添加标签A，否则添加标签B，然后，采用所述数据集中的振动信号和与该振动信号对应的标签训练所述初始卷积神经网络，以此获得所有故障类型各自对应的最终卷积神经网络模型；/n(c)对于每个故障类型对应的最终卷积神经网络模型，将该最终卷积神经网络模型对应的故障类型的振动信号输入所述最终卷积神经网络模型中，提取该卷积神经网络模型中卷积层和池化层的输出作为特征映射图谱，将该特征映射图谱转化为一维特征数据，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；/n(d)对于每个故障类型对应的一维特征数据，采用高斯混合模型对所述一维特征数据进行模拟和逼近，以此获得所有故障类型的一维特征数据对应的高斯混合模型参数；在贝叶斯网络框架构建关于所有故障类型的一维特征数据、高斯混合模型参数和故障类型关系的初始图模型，利用所述所有故障类型的一维特征数据训练所述初始图模型，当满足预设条件后停止训练，以此获得最终的图模型；/n(e)对于待诊断振动信号，利用所述最终的图模型诊断所述待诊断振动信号对应的故障类型，以此实现故障的诊断。/n