[发明专利]一种基于PCA_CNNS的轴承故障诊断方法

权利要求书

1.一种基于PCA_CNNS的轴承故障诊断方法，其特征在于：以完成对于轴承的故障诊断为目标，利用主成分分析法完成数据降维，采用自组织映射算法优化卷积神经网络模型，利用现有的轴承故障数据与分类完成模型训练，结合k折交叉验证选取最优表现模型，从而提升轴承故障诊断的准确率，具体包括如下步骤：

步骤1：利用主成分分析法提取输入的轴承数据集v中代表原始n维数据特征信息的m维主成分数据集w，将主成分数据集w按分割比例进行分割，分为训练样本集w_train和测试样本集w_test，其中mn，转入步骤2；

步骤2：初始化卷积神经网络模型参数：

设置每次训练样本数Batch_Size、模型训练次数Epochs和卷积神经网络模型迭代次数Iterator_Times，所述卷积神经网络模型包括特征提取器和分类器SOM-BP，确定特征提取器的多层次卷积层、激活层及池化层，转入步骤3；

步骤3：设置Adam优化器学习率Learning_Grade，对特征提取器进行归一化，再利用自组织映射，优化BP神经网络得到SOM-BP，设置交叉熵函数为损失函数Loss，进而获得卷积神经网络，转入步骤4；

步骤4：利用训练样本集w_train训练卷积神经网络，直至Loss的值小于设定的阈值threshold或者Epochs大于Max_Epochs，获得卷积神经网络模型，转入步骤5；

步骤5：将测试样本集w_test输入卷积神经网络模型，计算卷积神经网络模型的误差error与准确率accuracy，保存各级网络参数，转入步骤6；

步骤6：判断卷积神经网络模型迭代次数Iterator_Times是否大于设定的最大迭代次数T：

若大于等于设定的最大迭代次数，则获得T组模型验证结果，转入步骤7；

若小于设定的最大迭代次数，则更新Iterator_Times的值，将w按步骤1中的分割比例进行重新分割，分为与步骤1中不同的训练样本集w_train和测试样本集w_test，返回步骤4；

步骤7：对比求解T组模型验证结果，选取其中准确率最高的模型作为输出模型；

步骤1中轴承数据集v来自于凯斯西储大学滚动轴承数据中心的轴承数据，利用主成分分析法提取v中代表原始n维数据特征信息的m维主成分数据，将其中的冗余特征进行筛选，完成数据降维，具体如下：

提取轴承数据的n维特征向量，计算轴承数据特征向量的平均值，对轴承数据特征向量做方差归一化，再通过奇异值分解求取特征协方差矩阵，求取协方差矩阵的特征值和特征向量，将协方差矩阵的特征值按照从大到小的顺序排序，选取其中的m个，最后将轴承数据投影到选取的特征向量上，从而将输入n维特征转变成其在m维上的投影；

步骤2中确定特征提取器的多层次卷积层、激活层及池化层，具体如下：

对于多层次卷积层，第一层卷积层的卷积核大小设置为a，以提取输入数据短时特征，完成特征学习，同时将第一层以外的卷积层的卷积核大小设置为b，a＞b；

所述步骤3中，设置Adam优化器学习率Learning_Grade，对特征提取器进行归一化，再利用自组织映射，优化BP神经网络得到SOM-BP，进而获得卷积神经网络模型，具体如下：

步骤31：使用学习率自适应算法Adam替代随机梯度下降SGD，完成动态调整参数学习率；

步骤32：在卷积层与激活层之间，以及SOM-BP内加入若干归一化层：

卷积层的输入先减去所在第一小批量样本mini-batch的均值，再除以第一小批量样本的标准差，完成标准化操作；

SOM-BP内各层的输入先减去所在第二小批量样本mini-batch的均值，再除以第二小批量样本的标准差，完成标准化操作；

步骤33：利用SOM-BP将特征提取器提取出的特征进行分类：

先将最后一个池化层的输出铺展成一维的特征向量，作为SOM-BP的输入；训练样本进入SOM-BP网络后，根据训练样本向量与各SOM-BP层中的神经元权值向量的欧式距离确定获胜神经元的位置，并根据获胜神经元的位置确定权值调整范围来更新网络连接权值，随着初级网络的不断迭代，完成轴承正常特征数据与故障特征数据的区分。