[发明专利]一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统

权利要求书

1.一种基于阈值卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述诊断方法包括以下步骤：

1)训练滚动轴承包含故障的振动历史数据，得到基于阈值卷积神经网络的滚动轴承故障诊断模型，通过模块1、模块2、模块3、模块4对输入数据进行特征提取；

步骤1.1、模块1和模块2分别由卷积层、整流线性单元和最大池化层组成，根据步长对输入数据使用滤波器滑动并进行卷积运算，提取数据特征；整流线性单元对数据特征进行稀疏化R＝max(0,x)，x表示输入数据，R表示整流线性单元；最大池化操作对稀疏化后的特征进行压缩处理，前向学习数学模型建立如下：

y₁＝f₁(x,k₁)                   (1)

y₂＝f₂(y₁,k₂)＝f₂(f₁(x),k₂)                (2)

式中，k₁和k₂表示滤波器数量，f₁和f₂分别表示对模块1和模块2进行卷积、整流线性单元和最大池化操作，y₁和y₂分别是模块1和模块2的输出；

步骤1.2、模块3和模块4分别由卷积层、整流线性单元组成，前向学习数学模型建立如下：

y₃＝f₃(y₂,k₃)＝f₃(f₂(f₁(x,k₁),k₂),k₃)          (3)

y₄＝f₄(y₃,k₄)＝f₄(f₃(f₂(f₁(x,k₁),k₂),k₃),k₄)        (4)

式中，k₃和k₄表示滤波器数量，f₃和f₄分别表示对模块3和模块4进行卷积、整流线性单元操作，y₃和y₄分别是模块3和模块4的输出；

步骤1.3、使用全阈值函数FT对阈值卷积神经网络提取后的数据特征进行去噪声处理，FT函数表达式如下：

式中，x_FT表示输入的特征，y表示输出的结果，t代表阈值，α₁表示权值，α₁1，可以更大比例提取有用的特征信息，0β₁1，可以一定程度保留贡献比较小的特征信息，具有去噪声功能；

步骤1.4、通过基于阈值卷积神经网络的滚动轴承故障诊断模型训练，自动获取FT中的阈值t，主要包括两个计算分支，步骤如下：

步骤1.4.1、第一个分支对阈值卷积神经网络中最后一个卷积层的输出特征进行各通道的平均运算；

步骤1.4.2、另一个分支对输出特征进行归一化处理；

步骤1.4.3、两个分支的输出向量相乘得到阈值t；

步骤1.5、基于阈值卷积神经网络的滚动轴承故障诊断模型通过反向学习进行参数更新，梯度值如下：

式中，D(y)为FT的导数函数；α₂是增强有效信息梯度的FT斜率；β₂是降低噪声梯度的FT斜率，β₂值较小且趋近于0，可有效避免基于阈值卷积神经网络的滚动轴承故障诊断模型在训练过程中出现梯度爆炸或消失现象；斜率为1表示对数据不做任何处理，

基于阈值卷积神经网络的滚动轴承故障诊断模型的反向传播过程如下：

式中，δ是最后一层的损失值，当y₄＞t时，FT的梯度值为α₃，α₃1，以增强整体梯度、突出有效信息；当-t＜y₄＜t时，FT的梯度值为β₃，0β₃1，以减弱整体梯度、减少特征数量；当y₄＜-t时，将FT的梯度值设为1，不做FT操作；

步骤1.6、采用全局平均池化对阈值卷积神经网络输出特征进行处理，得到数据特征如下：

f_pooling＝[z₁,z₂,…,z_m]^T      (8)

式中，f_pooling表示全局平均池化层的输出值，z_m代表对每个特征数据所求均值，m是故障类型个数；分类函数对全局平均池化层的输出值进行故障类型划分，将输出值转换为范围在[0,1]，和为1的概率分布，取最大概率所对应类别作为输出结果，计算过程如下：

式中，p_s表示分类函数，e表示指数函数；

2)实时采集滚动轴承振动数据；

3)利用训练好的故障诊断模型，实时监测振动数据，识别是否存在故障；

4)若存在故障，利用故障诊断模型进行故障特征提取与分类，并输出故障识别结果。