一种基于卷积神经网络的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于卷积神经网络的滚动轴承故障诊断方法。针对滚动轴承特征分量易被淹没、难以提取等问题，结合滚动轴承信号本身和监测数据量大等特点，将CNN引入到滚动轴承故障诊断中。首先通过短时傅立叶变换将电机振动信号转化成时频谱图，以适应CNN网络训练样本格式，构建大量表示不同故障的带标签样本数据，以确保样本的多样性、防止网络过拟合；构建合适层数的CNN网络并初始化参数，将预处理后的样本输入CNN进行前向传播，结合给定标签计算误差，利用误差反向传播算法调整网络权值，经过多次迭代，建立信号和设备之间相互联系的网络，从而实现滚动轴承故障的精确诊断。

A fault diagnosis method for rolling bearings based on convolution neural network

The invention discloses a fault diagnosis method for rolling bearings based on the convolution neural network. Aiming at the problem that rolling bearing's characteristic components are easy to be submerged and difficult to extract, the CNN is introduced into the rolling bearing fault diagnosis based on the characteristics of rolling bearing signal itself and large amount of monitoring data. Firstly, through short-time Fu Liye transform frequency spectrum of motor vibration signal into, in order to adapt to the training sample of CNN network construction of large format, with a label representing different fault sample data, to ensure the diversity of samples and prevent network overfitting; construction of the proper level of CNN network and initialization parameters, the processed sample input CNN prior to transmission, calculation error with a given label, using the error backpropagation algorithm to adjust the weights of the network, after several iterations, the relationship between signal and equipment to establish network, so as to realize the accurate diagnosis of rolling bearing fault.

【技术实现步骤摘要】
一种基于卷积神经网络的滚动轴承故障诊断方法
本专利技术属于机械设备故障诊断领域，具体涉及一种基于卷积神经网络的滚动轴承故障诊断方法。
技术介绍
机械设备正在朝着高速、高精、高效方向发展，为了确保设备的健康运行，采集海量数据用以反映机械的健康状况，促使机械健康监测领域进入“大数据”时代。机械大数据具有大容量、多样性与高速率的特点，研究和利用先进的理论与方法，如何从机械设备大数据中挖掘信息，实现高效、精确地识别健康状况，成为机械设备健康监测领域面临的新问题。滚动轴承因其自身的优点被广泛应用于各种旋转机械中，是机械设备关键部件之一，也是易损部件之一。轴承的缺陷和损伤将直接影响设备稳定性，从而造成整个设备的损坏，甚至产生巨大的经济损失，因此轴承故障诊断方法的研究具有重大的意义。传统的滚动轴承故障诊断方法，存在以下几个问题：(1)提取单一检测信号的特征实现故障诊断，而对复杂的旋转机械采集到的振动信号中，往往包含了多个部件的信息成分；(2)目前的手动特征提取，需要丰富的先验知识、信号处理理论和实际经验作为支撑，人工处理数据费时费力；(3)传统的故障诊断方法用于故障识别网络训练的样本量少，使得样本本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，滚动轴承振动信号采集；步骤2，将振动信号通过短时傅立叶变换转化为时频图；步骤3，对时频图进行预处理，再将预处理后的图片压缩成的正方形；步骤4，建立网络并初始化网络参数，根据样本和要求，构建的网络模型，确定网络参数；步骤5，网络训练、前向传播，将样本输入到网络中，通过前向传播求得网络输出与预期目标的误差；步骤6，判断网络是否收敛，若收敛，则执行步骤8，若不收敛，则执行步骤7；步骤7，反向传播、权值修改，利用反向传播算法，将步骤5的误差反向逐层传播到每个节点，并更新权值，重复执行步骤5至步骤7，直至网络收敛；步骤8，根据...

【技术特征摘要】
1.一种基于卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，滚动轴承振动信号采集；步骤2，将振动信号通过短时傅立叶变换转化为时频图；步骤3，对时频图进行预处理，再将预处理后的图片压缩成的正方形；步骤4，建立网络并初始化网络参数，根据样本和要求，构建的网络模型，确定网络参数；步骤5，网络训练、前向传播，将样本输入到网络中，通过前向传播求得网络输出与预期目标的误差；步骤6，判断网络是否收敛，若收敛，则执行步骤8，若不收敛，则执行步骤7；步骤7，反向传播、权值修改，利用...

【专利技术属性】
技术研发人员：赵晓平，谢阳阳，周子贤，吴家新，王丽华，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32