[发明专利]一种基于1-DCNN联合特征提取的轴承故障在线检测方法

权利要求书

1.一种基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，包括如下步骤：

步骤1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵并且将特征矩阵进行预处理，对特征矩阵分别进行两种归一化处理，其中，第一种为单特征归一化处理，即将每个样本中的每个特征分别进行归一化处理后得到第一种数据集，第二种为所有特征全局归一化处理，从而得到第二种数据集；

步骤2：将原始信号未作处理的特征矩阵和第一种数据集中的特征矩阵按特征种类分别代入1-DCNN模型中进行分布式学习，即将每个特征假设成能判别故障的特征来进行学习，原始信号未作处理的特征矩阵学习的结果称为cnn_h模型，用于在线监测判断是否为健康状态，第一种数据集中的特征矩阵学习的结果称为cnn_j模型，仅为每种故障选取能够识别该故障的特征种类；

步骤3：两个模型均以判断准确度作为度量，得到每个特征对于健康状态和每种故障的敏感度，随后根据设置的准确度的阈值，cnn_h模型选择能够判别健康状态的特征组成特征组，cnn_j模型为每种故障分别选择一个特征组，即放弃分类时准确度低于敏感度阈值的特征；

步骤4：在cnn_j模型中，对于每种故障都有选择出来的一个特征组，将每个特征组分别通过映射函数与第二种数据集一起进行重构，将重构后的特征组与原始信号在自动编码器中进行耦合并在损失函数里加入选择出来的特征组与第二种数据集的相关性度量项，得到最终模型，且采用softmax进行分类；

步骤5.将轴承的振动信号进行实时采样，收集判断健康状态所需的特征，进入cnn_h模型进行判断是否是健康状态，如果不是，则将实时采样的轴承的振动信号重新采样收集判断每种故障所需的特征进入步骤4得到的最终模型中采用softmax进行分类。

2.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤1的具体步骤如下：

步骤1-1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵；

步骤1-2：对特征矩阵分别进行两种归一化处理；

步骤1-3：第一种为单特征归一化处理，将特征矩阵中每个特征分别进行最大最小值归一化；

步骤1-4：第二种为所有样本特征进行全局归一化处理，首先每一列的每一个数据点除以该列的二范数，具体方式如公式(1)所示：

式中，表示以周期为行，以样本数为列的特征矩阵中第i行，第j列的数据点，||f_j||₂表示第j列的二范数；

再归一化每个样本的特征，如公式(2)所示：

式中，表示每一行的二范数。

3.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤2中，所述1-DCNN模型包括CNN层和MLP层，具备特征提取和分类能力，通过前向传播、反向传播和梯度下降法进行训练。

4.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤3中，将每个特征关于健康状态以及每种故障的判断准确度作为评判标准，通过设置准确度的阈值来选取特征，判断健康状态时选取3个特征组成特征组，每种故障的特征选择选取5个组成特征组。

5.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤4中，第二种数据集中的特征与选取的每种故障的特征组分别进行重构耦合，并加入相关性度量作为损失函数的一项，所述相关性度量如公式(3)中所示：

S(x_c,x_f；θ_c,θ_f)＝||g_c(x_c,θ_c)-g_f(x_f,θ_f)||² (3)；

其中，g_c表示cnn_j模型中每种故障选择的特征组的重构误差函数，g_f表示步骤1中的第二种数据集的重构误差函数，θ_c表示每种故障的特征组在重构时自动编码器模型中权重与偏置的集合，θ_f表示第二数据集在重构时自动编码器模型中权重与偏置的集合，并为相关性度量S设置权重为γ，结合两个数据集的损耗定义新的损失函数如公式(4)所示：

L(x_c，x_f；θ_c，θ_f)＝αL_c(x_c；θ_c)+βL_f(x_f；θ_f)+γS(x_c，x_f；θ_c，θ_f) (4)；

其中，L_c表示每种故障的特征组通过映射函数进行重构的损失函数，L_f表示第二种数据集通过映射函数进行重构的损失函数，L_c和L_f损失函数均定义为训练样本与重构值差值的平方，α，β是分别为L_c和L_f函数的权重。