[发明专利]一种多卷积网络融合的滚动轴承故障分类方法

权利要求书

1.一种多卷积网络融合的滚动轴承故障分类方法，其特征在于，包括如下步骤：

步骤S1：采集原始故障数据，对于采集到的原始故障数据，提取对应轴承的运行参数以及尺寸参数，利用上述参数求取三种故障特征频率；

步骤S2：对原始故障数据，利用连续小波变换，获得4种时频图；

步骤S3：对所有原始数据做连续小波变换后得到的时频图集划分为训练集和验证集；

步骤S4：使用训练集训练故障分类模型；

步骤S5：使用验证集验证模型的分类性能。

2.如权利要求1所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S1中，对于滚动轴承来说，故障点位于各个元件上时的故障特征频率如下：

外滚道故障的故障特征频率为：

内滚道故障的故障特征频率为：

滚珠故障的故障特征频率为：

式中，f_r为轴的转频，z为滚珠个数，d_b为滚珠直径，D_m为滚动轴承节圆直径，为滚动轴承接触角。

3.如权利要求1所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S2中，所述的4种时频图包括所有频率的主时频图、外圈故障特征频率对应的子时频图、内圈故障频率对应的子时频图以及滚珠故障频率对应的子时频图。

4.如权利要求3所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S2中，所述的三个子时频图的获得方法为：以三种故障特征频率为中心左右扩展该频率的5％，得到三个频率带，将这三个频率带作为连续小波变换母函数的中心频率，即可获得三个长条形的时频图。

5.如权利要求1所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S3中，所述训练集和验证集均包含以上4种时频图。

6.如权利要求1所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S4中，所述故障分类模型是四个相对独立的二维卷积神经网络，其输入各自对应4种时频图中的1种，其宏观的结构为：将串联的二维卷积层、池化层、归一化层、激活层设为一组，重复3组，之后将串联的全连接层、归一化层、激活层设为一组，重复2组，最后加一层SoftMax分类层。

7.如权利要求1所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S4中，主时频图对应的网络为主网络，3个子时频图对应的网络为副网络，主网络做4分类：外圈故障、内圈故障、滚珠故障以及健康状态；副网络做2分类，3个副网络的分类分别为：外圈故障/不是外圈故障，内圈故障/不是内圈故障，滚珠故障/不是滚珠故障，主网络输出为4维one-hot向量，副网络输出为2维one-hot向量。

8.如权利要求1所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S5中，

在验证的时候，设置一种投票机制将4个网络判断的结果融合在一起，

其融合公式为：

y＝α_oy_o+α_iy_i+α_by_b+βy_*

式中，y是4维向量，代表最终的分类结果；y_o、y_i以及y_b分别代表外圈、内圈以及滚珠所对应网络的分类结果，其取值范围是{1，-1}；α_o、α_i以及α_b都是向量，其值分别为[1，0，0，0]^T、[0，1，0，0]^T、[0，0，1，0]^T；y_*是主时频图对应的网络的分类结果是4维向量；β是y_*的系数代表主网络的投票话语权，可以自主设定。

9.如权利要求8所述的一种多卷积网络融合的滚动轴承故障分类方法，其特征在于：所述的步骤S5中，三个副网络的输出是为2维one-hot向量，而其在融合公式中对应的值y_o、y_i以及y_b均为具体的数，所以在融合之前还有一个转换的步骤：当副网络输出为[1，0]^T时，转换为1；副网络输出为[0，1]^T时，转换为-1。