[发明专利]基于卷积神经网络的多测点传动机构故障诊断方法和系统

权利要求书

1.一种基于卷积神经网络的多测点传动机构故障诊断方法，其特征在于，包括：

优化振动传感器布设位置，形成与所述振动传感器对应的并行振动数据；

建立初始卷积神经网络的卷积层、池化层和全连接层，利用所述初始卷积神经网络处理所述并行振动数据；

在并行振动数据处理过程中调整所述初始卷积神经网络并验证所述初始卷积神经网络的故障诊断精度，并调整所述初始卷积神经网络的拟合度，形成故障诊断模型；

所述优化振动传感器布设位置，形成与所述振动传感器对应的并行振动数据包括：

确定传动机构的关键测量位置；

在所述关键测量位置布设测点的振动传感器；

根据自由度对所述测点的振动传感器分组，对同一组别内的测点振动数据进行相关系数比较，并根据显著性差异检验法判定相关系数可靠性；

判断所述同一组别内各测点的相关系数是否超过修正阈值；

所述相关系数未超过所述修正阈值则确定所述同一组别内测点以及对应的振动数据；

所述相关系数超过所述修正阈值则在所述同一组别内对相关系数高的测点进行单一筛选；

确定与关键测量位置对应的各组别所述测点和振动数据，重复相关系数比较-单一筛选过程完成所述测点筛选。

2.如权利要求1所述的基于卷积神经网络的多测点传动机构故障诊断方法，其特征在于，所述相关系数的修正阈值为80％。

3.如权利要求1所述的基于卷积神经网络的多测点传动机构故障诊断方法，其特征在于，还包括：

建立数据时序-根据数据时序编码各测点的振动数据-根据振动数据的采集频率形成各测点的时序数据-对时序数据进行零均值归一化处理，使每个测点的时序数据形成一个数据通道作为卷积神经网络的并行输入。

4.如权利要求1所述的基于卷积神经网络的多测点传动机构故障诊断方法，其特征在于，所述建立初始卷积神经网络的卷积层、池化层和全连接层，利用所述初始卷积神经网络处理所述并行振动数据包括：

构建第一卷积层和第一池化层：第一卷积层的卷积核大小为1×5×n，n表示测点数目，卷积核数目为64；第一池化层的池化窗口的大小为1×1×2×1，步长为2；

构建第二卷积层和第二池化层：第二卷积层的卷积核大小为1×5×64，卷积核数目为64；第二池化层的池化窗口大小为1×1×2×1，步长为2；

构建第三卷积层和第三池化层：第三卷积层的卷积核大小为1×5×64，卷积核数目为64；第三池化层的池化窗口大小为1×1×2×1，步长为2；

构建第四卷积层和第四池化层：第四卷积层的卷积核大小为1×5×64，卷积核数目为64；第四池化层的池化窗口大小为1×1×2×1，步长为2；

构建第五卷积层和第五池化层：第五卷积层的卷积核大小为1×5×64，卷积核数目为训练数据的数据类别数，第五池化层的池化窗口大小为1×1×750×1，步长为750；

形成全连接层处理所述卷积层和池化层操作后的矩阵数据，并通过softmax输出层形成故障诊断分类结果。

5.如权利要求4所述的基于卷积神经网络的多测点传动机构故障诊断方法，其特征在于，还包括：

利用交叉熵形成误差反向传播，同时对故障诊断分类结果进行分类校验。

6.如权利要求1所述的基于卷积神经网络的多测点传动机构故障诊断方法，其特征在于，所述在并行振动数据处理过程中调整所述初始卷积神经网络并验证所述初始卷积神经网络的故障诊断精度，并调整所述初始卷积神经网络的拟合度，形成故障诊断模型包括：

在数据处理过程中利用交叉熵形成梯度向量结合梯度下降法对各卷积层和池化层的权重参数进行初始卷积神经网络的快速迭代调整；

根据前次迭代判断是否满足故障诊断精度；

当满足所述故障诊断精度时判断是否出现过拟合；

当不满足所述故障诊断精度时判断是否出现欠拟合。