[发明专利]一种基于多输入CNN的轴承故障诊断方法

权利要求书

1.基于多输入CNN的轴承故障诊断方法，其特征在于，按下述步骤进行：

a.由加速度计采集到的振动信号为一维信号，将振动信号通过短时傅里叶和连续小波变换转化为时频图，给定样本标签，并划分训练集和测试集；

b.搭建卷积神经网络模型，包括：特征提取层、特征叠加层、特征分类层、所述特征提取层包括两个通道分别使用不同尺寸的卷积核来提取不同时频转换方法得到的时频图特征，所述特征叠加层将特征提取层的两个输出特征图在通道维度上进行叠加，所述特征分类层通过Softmax分类器进行故障类别的分类；

c.初始化神经网络的参数，将卷积核和偏置以及权值等初始化为一个随机数，再设置学习率，迭代次数等超参数。；

d.使用训练集中的样本对搭建的网络进行训练，通过前向传播和反向传播来更新网络参数，直到模型达到预设的周期；

e.测试集样本输入训练好的网络，得到诊断结果。

2.根据权利要求1所述的基于多输入CNN的轴承故障诊断方法，其特征在于，步骤a中，对数据进行预处理，划分训练集和测试集具体如下：

将数据分割为转一圈所采集到的样本点数目，并将数据的幅值归一化到[-1,1]之间。由于所用数据集共有5个分类，其中每个分类包括500个样本，因此共有2500个样本。训练数据和测试数据为随机选择，比例为4：1.

3.根据权利要求1所述的基于多输入CNN的轴承故障诊断方法，其特征在于，步骤b中，特征提取层具体如下：

对于一个给定的样本S表示样本，L表示对应的标签，其过程用下述公式描述：Fⁱ＝CONV(S*γ^Iconv) (1)

其中CONV(*)表示CNN的卷积操作，γⁱconv表示第i个卷积层的参数，Fⁱ表示提取到的空间特征信息。

4.根据权利要求1所述的基于多输入CNN的轴承故障诊断方法，其特征在于，步骤b中，特征叠加层具体如下：

特征叠加层将特征提取层的两个输出特征图在通道维度上进行叠加，最后输出一个通道数为28，长宽为32×32的特征图。

5.根据权利要求1所述的基于多输入CNN的轴承故障诊断方法，其特征在于，步骤b中，特征分类层具体如下：

特征分类层通过Softmax分类器进行故障类别的分类，Softmax分类器过程用下述公式描述：

其中*表示Softmax分类器，表示第j类的Softmax参数，SC_j表示不同类别的预测概率分布。

6.根据权利要求1所述的基于多输入CNN的轴承故障诊断方法，其特征在于，步骤c中，使用训练集中的样本对搭建的网络进行训练，直到模型达到预设的周期具体如下：

学习率设为0.005；训练轮数为50；每轮64个样本随机打乱抽取为一批；优化算法选取Adam优化算法。