[发明专利]基于CNN-Stacking的轴承故障诊断方法

权利要求书

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型

(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型

(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。

2.根据权利要求1所述的基于CNN-Stacking的无人机轴承故障诊断方法，其特征在于，所述步骤(3.1)中，利用时域信号S⁽ⁱ⁾搭建CNN网络模型为：

所述CNN网络模型主要包括输入层、卷积层、池化层、全连接层和输出层；

输入层：输入时域样本尺寸为64×16，通道数为1，

卷积层C1：卷积核尺寸设为3×3，步长Stride设定为1，零填充Pad设为1，特征图尺寸为64×16，特征图深度为6，激活函数选择relu函数；

池化层S1：Stride设定为2，Pad设为0，特征图尺寸为32×8；

卷积层C2：卷积核尺寸设为3×3，Stride设定为1，Pad设为1特征图尺寸为32×8，特征图深度为24，激活函数选择relu函数；

池化层S2：Stride设定为2，Pad设为0，特征图尺寸为16×4；

全连接层：将神经元个数设为64，将Dropout参数设定为0.5，令该层层神经元失活的概率为0.5；

输出层：输出类别数为4，分别对应正常信号、内环故障信号、滚珠故障信号、外环故障信号。

3.根据权利要求1所述的基于CNN-Stacking的无人机轴承故障诊断方法，其特征在于，所述步骤(4.1)中，利用时频域信号F⁽ⁱ⁾搭建CNN网络模型为：

所述CNN网络模型主要包括输入层、卷积层、池化层、全连接层和输出层；

输入层：输入时域样本尺寸为28×28，通道数为1；

卷积层C1：卷积核尺寸设为5×5，步长Stride设定为1，零填充Pad设为0，特征图尺寸为24×24，特征图深度为6，激活函数选择relu函数；

池化层S1：Stride设定为2，Pad设为0，特征图尺寸为12×12；

卷积层C2：卷积核尺寸设为5×5，Stride设定为1，Pad设为0，特征图尺寸为8×8，特征图深度为24，激活函数选择relu函数；

池化层S2：Stride设定为2，Pad设为0，特征图尺寸为4×4；

全连接层FC：将神经元个数设为336，将Dropout参数设定为0.5，令该层层神经元失活的概率为0.5；

输出层：输出类别数为4，分别对应正常信号、内环故障信号、滚珠故障信号、外环故障信号。