一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法技术

本发明专利技术公开了一种基于深度卷积神经网络模型的旋转机械故障特征智能诊断方法，包括：(1)采集旋转机械故障振动信号数据，将数据分段并做去趋势项预处理；(2)对信号数据进行短时傅里叶时频变换分析，得到各振动信号的时频表示，并用伪色彩图显示；(3)利用插值方法缩小图像分辨率并将各图像叠加，形成训练样本和测试样本，作为卷积神经网络的输入；(4)构建深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、全连接层和softmax分类层和输出层；(5)将训练样本导入模型进行训练并获得卷积特征、池化特征和神经网络结构参数，根据构建的深度神经网络模型对未知的故障信号实现诊断。本发明专利技术较现有的时域或频域方法，具有更好的准确性和稳定性。

【技术实现步骤摘要】
一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
本专利技术属于旋转机械振动故障诊断
，涉及一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法。
技术介绍
旋转机械振动信号可以通过振动传感器等设备适时采集，用以准确反映机械设备工作状态。如何从海量的振动信号中提取能够准确反映机械故障特征的有效信息，并确定故障类型和工作状态，是机械故障诊断的主要研究内容。含有故障特征的旋转机械设备工作环境通常非常复杂，振动源较多，背景噪声强烈，利用现场测得的机械振动信号通常是强背景噪声下的多分量、非平稳复杂振动信号。所以其故障特征提取故障诊断的信号处理方法，对准确率和诊断效果有更高的要求。现有技术的旋转机械振动信号处理，一般采用时域特征提取方法或频域特征提取方法。由于时域特征中不能反映频率、频谱等信息，而频域方法只能反映振动信号中的局部特征信息，也不能反映时变特征信息，因此，直接采用单一的时域或频域方法并不能准确、有效、完整的表达振动信号中的有用信息。维纳-威利分布等传统时频分析中存在交叉项干扰而严重影响了故障特征信息的提取和辨识，本文提出的基于深度卷积神经网络的故障模式识别方法本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，包括以下步骤：步骤1、采集故障振动信号并做预处理：将采集到的原始振动信号进行分段处理，采用随机重叠的方法从振动信号中提取M段信号，每一段信号有N个样本点；将提取的信号组成样本数据集{S}N×M，其中，sj∈SN×1表示第j个分段中的含有N个数据点；利用三次多项式拟合消除每一段振动信号中的趋势项：

【技术特征摘要】
1.一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，包括以下步骤：步骤1、采集故障振动信号并做预处理：将采集到的原始振动信号进行分段处理，采用随机重叠的方法从振动信号中提取M段信号，每一段信号有N个样本点；将提取的信号组成样本数据集{S}N×M，其中，sj∈SN×1表示第j个分段中的含有N个数据点；利用三次多项式拟合消除每一段振动信号中的趋势项：式中，yk、xk为样本点，a0、a1为系数，n,k＝1,2,3,…,N，其中，步骤2、利用短时Fourier变换方法提取振动信号的时频特征：将在步骤1中得到的样本数据集进行短时Fourier时频变换分析，得到各个振动信号的时频特征，并利用伪色彩图显示；步骤3、利用插值方法缩小图像分辨率并将各个图像叠加，形成训练样本集和测试样本集，作为卷积神经网络的输入；步骤4、构建深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层；先将两个卷积层和两个池化层分别交叉叠加，然后将第二个池化层的输出特征根据全连接的形式展开，再将softmax分类层联接到全连接层上，组成深度卷积神经网络模型；步骤5、将训练样本集导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数，根据构建的深度卷积神经网络模型对未知的故障信号实现基于时频特征提取的旋转机械故障诊断。2.根据权利要求1所述的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其特征在于，所述步骤2的过程如下：将数据样本集写成矩阵形式SN×M，分别选择最佳采样率、阈值和时频中心，采用下式进行短时傅里叶时频变换，获得数据样本集每一段信号对应的时频变换特征信息数据：式中，f为频率，t,τ为时间，ω(τ-t)为时频窗函数，x(τ...

【专利技术属性】
技术研发人员：李舜酩，辛玉，王金瑞，程春，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32