[发明专利]一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法

权利要求书

1.一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能故障诊断方法，其特征在于：包括以下步骤：

Step1、采集滚动轴承声发射信号；

Step2、用基于信噪比和布伦纳梯度的质量指标选择连续小波变换的最优小波基；

Step3、用选择出的最佳小波基做连续小波变换，将一维声发射信号转换为二维时频图；

Step4、划分训练集、验证集和测试集，定义故障类型；

Step5、构建基于一维卷积、二维卷积和特征金字塔结构的多维深度特征融合神经网络模型，其中，所述神经网络模型输入滚动轴承声发射信号到一维卷积神经网络1D-CNN、输入时频图到二维卷积神经网络2D-CNN，通过特征金字塔FPN结构来对提取的不同维度和不同深度的特征进行融合；

Step6、对模型进行训练的同时用验证集调整模型，最后用测试数据集进行测试。

2.根据权利要求1所述的基于优选小波基与多维深度特征融合的滚动轴承声发射智能故障诊断方法，其特征在于：所述Step2中，用基于信噪比SNR和布伦纳梯度BG的质量指标选择连续小波变换的最优小波基包括：

利用布伦纳梯度BG和信噪比SNR构建质量指标QI来评价经连续小波转换后的滚动轴承时频图，其中：

QI＝(BG+SNR)/2 (1)

SNR＝10lg(S/N) (3)

式中，I(i，j)表示灰度图像地i行、第j列像素的灰度值，m为时频图像素的宽度，n为时频图像素点的高度，S为时频图的能量，N为噪声的能量，lg表示以10为底的常用对数。

3.根据权利要求1所述的基于优选小波基与多维深度特征融合的滚动轴承声发射智能故障诊断方法，其特征在于：所述Step4中，将一维滚动轴承声发射信号、二维时频图和与之对应的故障标签作为一个样本对，将全部样本按照一定的比例划分为训练集、验证集和测试集，滚动轴承的故障类型包括滚圈故障、滚子故障和滚圈滚子复合故障。

4.根据权利要求1所述的基于优选小波基与多维深度特征融合的滚动轴承声发射智能故障诊断方法，其特征在于：所述Step5中，构建基于一维卷积、二维卷积和特征金字塔结构的多维深度特征融合神经网络模型包括：

Step5.1、模型为多输入模型，同时输入一维滚动轴承声发射信号和二维时频图；

Step5.2、分别采用普通CNN结构与线性瓶颈反向残差轻量化结构Bneck块构建一维卷积神经网络1D-CNN与二维卷积神经网络2D-CNN分支结构，Bneck块从MobileNetV3中引入；

1D-CNN为三层卷积成和池化层的交替出现；

2D-CNN为三层卷积层和Bneck块的交替出现；

Step5.3、模型中2D-CNN的最后一个Bneck块使用h-swish激活函数，其余的层均用ReLU激活函数，其公式表示如下：

ReLU(x)＝max(0，x) (4)

式中，ReLU6是把ReLU的最大输出值限制为6，x为卷积层输出的特征；

Step5.4、特征融合需要特征的维度相同，将2D-CNN提取的特征使用Reshape层转换维度后和1D-CNN提取的特征进行融合，特征融合时采用FPN结构融合提取出的高维和低维特征，1D-CNN、2D-CNN和特征金字塔的最后一层均使用全局平均池化层，在全局平均池化层之后使用输出层进行分类；

Step5.5、模型采用交叉熵损失函数，其公式表达如下：

式中，N为待分类的类别总数，y_i为第i个类别对应的真实标签，为对应的模型输出值，lg表示以10为底的常用对数；

Step5.6、通过输出为故障类型的Softmax层来匹配滚动轴承声发射数据的标签，其算法表述如下：

式中，b为输入批量的大小，表示输出的第k个样本，当目标类别是j时，p^j＝1，否则为q^j，L为输出分类类别，lg表示以10为底的常用对数。