基于卷积神经网络的旋转机械故障定性诊断方法技术

本发明专利技术公开一种基于卷积神经网络的旋转机械故障定性诊断方法，属于机械故障诊断技术领域。该诊断方法包括如下步骤：从旋转机械振动数据中提取足够多样本点，搭建卷积神经网络模型，训练卷积神经网络模型，测试时随机截取多个样本点，用训练好的卷积神经网络对测试样本点进行分类，完成对旋转机械故障的定性诊断。传统的故障定性诊断方法需人工提取特征，准确率低，泛化性能差，方法复杂难懂，难于工程推广。本发明专利技术基于卷积神经网络的旋转机械故障定性诊断方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，易于工程推广。

Qualitative diagnosis method of rotating machinery fault based on convolutional neural network

The invention discloses a method for qualitative diagnosis of rotating machinery faults based on convolutional neural networks, which belongs to the technical field of mechanical fault diagnosis. The method includes the following steps: extracting enough samples from the rotating machinery vibration data, build a convolutional neural network model, training convolutional neural network model, the test of random intercept multiple samples, to classify the test sample points by convolution of the trained neural network, complete qualitative fault diagnosis of rotating machinery. The traditional fault qualitative diagnosis method needs artificial extraction of features, which has low accuracy, poor generalization performance and complicated method, so it is difficult to be popularized. The invention is based on the convolution neural network of the rotating machinery fault qualitative diagnosis method, can automatically extract features, high accuracy, strong generalization performance, the method is simple and easy to understand, easy to project promotion.

【技术实现步骤摘要】
基于卷积神经网络的旋转机械故障定性诊断方法
：本专利技术属于机械故障诊断
，具体涉及一种基于卷积神经网络的旋转机械故障定性诊断方法。技术背景：旋转机械是工业中应用最广泛的机械零件之一，同时也是易损部件，它的运行状态直接影响到整台设备的性能。旋转机械主要包括轴承和齿轮。据不完全统计，机械故障中30％的故障是由旋转机械引起的。当旋转机械发生故障时，检测出故障类型有着重大的现实意义。传统的旋转机械故障定性诊断方法，依靠人工提取特征，算法复杂，效果不佳，因此本专利技术提出一种基于卷积神经网络的旋转机械故障定性诊断方法。
技术实现思路
：本专利技术目的在于提供一种基于卷积神经网络的旋转机械故障定性诊断方法，以解决传统旋转机械故障检测方法诊断效果差，难以实际运用的技术问题。本专利技术所提供的一种基于卷积神经网络的旋转机械故障定性诊断方法具体步骤如下：(1)数据准备阶段：采集旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库。训练数据库由训练样本点和验证样本点组成。样本点包括振动数据和故障类型标签。(2)创建阶段：创建卷积神经网络。(3)训练阶段：利用训练数据库本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的旋转机械故障定性诊断方法，其特征在于所述诊断方法具体步骤如下：(1)数据准备阶段：采集旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库；(2)创建阶段：创建卷积神经网络；(3)训练阶段：利用训练数据库来训练卷积神经网络，获得网络参数；(4)测试阶段：采集旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，用训练好的卷积神经网络对样本点进行分类，完成对旋转机械故障的定性诊断。

【技术特征摘要】
1.一种基于卷积神经网络的旋转机械故障定性诊断方法，其特征在于所述诊断方法具体步骤如下：(1)数据准备阶段：采集旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库；(2)创建阶段：创建卷积神经网络；(3)训练阶段：利用训练数据库来训练卷积神经网络，获得网络参数；(4)测试阶段：采集旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，用训练好的卷积神经网络对样本点进行分类，完成对旋转机械故障的定性诊断。2.根据权利要求1所述的基于卷积神经网络的旋转机械故障定性诊断方法，其特征在于步骤(1)和步骤(4)中所述样本点的创建方式为：采用随机方式创建，即对于每种工况下采样数据，在随机位置处截取振动数据中的大于一个数据周期长度的连续数据点作为一个样本点，优先选择k*2n个数据点作为一个样本点，其中n为正整数，k＝1或3，所述旋转机械中转子旋转一圈，采样的数据点个数定义为数据周期。3.根据权利要求1所述的基于卷积神经网络的旋转机械故障定性诊断方法，其特征在于所述卷积神经网络包含输入层、卷积层、最大池化层及平均池化层，其中卷积层的卷积模板尺寸为3*1或1*1，卷积层步长均为1*1，最大池化层池化窗口均为2*2，步长均为2；输入层大小为H*1*1，其中H为样本点长度；最后以软最大化层输出；每层卷积...

【专利技术属性】
技术研发人员：单建华，佘慧莉，吕钦，张神林，王孝义，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：安徽,34