[发明专利]一种基于多输入CNN的轴承故障诊断方法

说明书

本发明公开了一种基于多输入CNN的轴承故障诊断方法。包括以下步骤：首先，用加速度计采集轴承振动信号；然后将振动信号分别通过短时傅里叶变换和小波变换转化为时频图，对5类样本分别标注标签，并对样本划分数据集和测试集；再将训练集送入搭建好的CNN模型里，不断地进行前向传播和反向传播更新参数，直到达到提前设定好的总迭代数，保存此时得到的模型；再用测试集检验轴承故障诊断模型的诊断性能；最后使用此模型进行故障分析，从而实现轴承的故障诊断。本发明的轴承故障诊断方法将原始振动数据分别通过短时傅里叶变换和连续小波变换转换为时频图，最后在同时输入进网络，从而更充分的提取原始信号特征，实现了对轴承故障的精确诊断。

技术领域

本发明涉及滚动轴承故障检测技术领域，特别涉及一种基于多输入CNN的轴承故障诊断方法。

背景技术

滚动轴承是机械设备中的核心部件，轴承的故障可能导致严重的人员伤亡和经济损失，因此对轴承的故障诊断以及保障轴承的平稳运行是维护现代机械设备安全稳定运行必不可少的步骤。

传统的轴承故障诊断方法侧重于手动来提取特征，然而这些过程过于繁琐，缺乏智能性，在数据量特别多的情况下手工提取特征困难。随着大数据驱动的人工智能技术的兴起,深度学习借助其强大的学习能力在特征学习、模式识别、数据挖掘等领域得到广泛应用。故障诊断借助深度学习技术的应用也取得了新的研究进展。作为深度学习典型的技术,卷积神经网络在故障诊断上的研究取得了一定进展。

由于实际测量到的轴承故障信号通常包含有较强的噪声，为了更好的提取信号特征大多数模型通常使用时频转换方法来将一维振动信号转化为二维时序信号，然而这类模型大都只使用一种时频转化方法无法充分的提取原始信号的特征，且有遗失重要信息的风险，导致训练精度不足。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于多输入 CNN的轴承故障诊断方法，通过使用连续小波变换(CWT)和短时傅里叶变换 (STFT)两种时频转换方法将原始振动信号准换为时域信号,从而能够充分的提取原始信号特征，且提高了网络的训练精度。

为了实现上述目的，本发明采用的技术方案是：

一种基于改多输入CNN的轴承故障诊断方法，包括以下步骤：

步骤一：

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；

步骤二：

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；

步骤三：

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。

步骤四：

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；

步骤五：

测试集样本输入训练好的网络，得到诊断结果。

所述步骤一中对数据进行预处理，划分数据集和测试集方式为：

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。

所述步骤二具体为: