[发明专利]一种滚动轴承故障诊断方法

权利要求书

1.一种滚动轴承故障诊断方法，其特征在于，包括步骤：

步骤1：当滚动轴承在四种不同工况下转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；

步骤2：建立卷积神经网络模型，采用训练样本对卷积神经网络模型进行训练，将训练样本输入卷积神经网络模型中，采用有监督逐层训练方法进行逐层训练和调优，得到卷积神经网络模型的连接权值和偏置参数等；

步骤3：将各种工况下的训练样本分别作为确定连接权值和偏置参数的卷积神经网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型分别对每种工况下的各个训练样本进行有效特征提取，并用所提取的训练样本特征训练支持向量回归分类器，得到支持向量回归分类器模型；

步骤4：通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；

步骤5：将测试样本作为训练好的卷积神经网络模型的输入，对测试样本进行深度学习，采用确定了连接权值和偏置参数的卷积神经网络模型对测试样本进行特征提取，得到测试样本特征信号；

步骤6：将测试特征信息作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的支持向量回归分类器对测试样本与训练样本进行分类匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于：所述步骤2中建立的卷积神经网络模型的均方误差损失函数为：

$E^n=\frac{1}{2}\underset{k=1}{\overset{m}{\Σ}}{(y_k^n-t_k^n)}^2.---\left(1\right)$

其中，是样本m的第k个目标标签值，是对应的第k个网络输出值，

求解使均方误差损失函数最小的参数来建立网络，通过以下公式实现：

$\hat{f}:\underset{f\⋐F}{\mathrm{argmin}}E\[L(Y,f(S)\].---\left(2\right)$

步骤2.1：卷积神经网络通过两步来求解公式(2)，第一步将要训练的数据输入卷积层，进行卷积运算，每一隐藏层的输入是上一层的输出，计算公式如下：

s_i＝ρ(v_i),with v_i＝W_i·s_i-1+b_i.(3)

其中，W_i是卷积神经网络相邻两层之间的连接权值，s是输入的训练数据，b_i是卷积神经网络相邻两层之间的偏置参数，ρ是激活函数；

本层的输出可以表示为前一层所有卷积特征结果的加和，公式显示如下：

$s_j(u,k_j)=\mathrm{\ρ}\left(\underset{k}{\mathrm{\Σ}}\right(s_{j-1}\left(.,k\right)*W_{j,k_j}\left(.,k\right)+b_j\left(.,k\right)\left)\right(u).---\left(4\right)$

其中，符号*代表卷积运算，卷积运算可以表示如下：

$(f*g)\left(s\right)=\underset{u=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\mathrm{\Σ}}}f\left(u\right)g(s-u).---\left(5\right)$

卷积神经网络求解公式(2)的第二步是将从卷积层输出的特征输入到一个下采样层，下采样层用于聚合，聚合公式为：

$s_i^l=\mathrm{\ρ}\left({\mathrm{\β}}_i^{l}down\right(s_i^{l-1})+b_i^l).---\left(6\right)$

其中down(·)表示下采样公式，代表第l层第i个节点的乘性偏置，代表第l层第i个节点的加性偏置。

步骤2.2：对步骤2.1所得卷积神经网络的最后一层输出，采用有监督逐层训练方法进行逐层训练和调优，具体方式为：

使用前向传播计算权重和偏置：由步骤2.1所得的卷积神经网络模型最后一层隐含层的输出作为输入被逐层传播到输出层，得到预测的分类类别；用链式求导计算损失函数对每个权重的梯度，梯度计算公式为：

$\frac{\∂E}{\∂b}=\frac{\∂E}{\∂v}\frac{\∂v}{\∂b}=\mathrm{\δ}.---\left(7\right)$

在卷积神经网络中，第l层的梯度(灵敏度)的计算表达式为：

其中，代表每个元素相乘；

根据训练样本的工况标签确定训练样本的实际分类结果，将训练预测输出的分类结果与训练样本的实际分类结果进行比较得到分类误差，将分类误差逐层向后传播，从而实现对卷积神经网络模型各层的连接权值参数进行调优，连接权值进行更新的具体公式为：

$W^{l+1}=W^l-\mathrm{\η}\frac{\∂E}{\∂W^l}.---\left(9\right)$

$\frac{\∂E}{\∂W^l}=s^{l-1}{\left({\mathrm{\δ}}^l\right)}^T.---\left(10\right)$

其中，η是学习率；

逐层训练，直至得到卷积神经网络模型最后一层隐含层的输出；

对卷积神经网络模型各层的连接权值进行调优后，最终确定整个卷积神经网络模型的连接权值和偏置参数。