一种多层次卷积神经网络模型的构建方法及应用技术

本发明专利技术提供了一种多层次卷积神经网络模型的构建方法及应用，该方法包括以下步骤：(1)获得带有不同健康状态标签的振动信号样本序列；(2)将每种健康状态的样本序列分成训练集，验证集以及测试集；(3)构建多层次卷积神经网络，以空间层和时序层形成两条链路，一条链路为浅层空间层，另一条链路为深层次的空间层和时序层，最后将两条链路的输出相结合送入分类器；(4)对多层次卷积神经网络进行训练和验证；将测试集输入到训练好的网络模型，得到诊断结果。本发明专利技术应用于滚动轴承、齿轮或电机转子的故障诊断。本发明专利技术将浅层特征与深层次特征相连接，解决了只考虑单一的深层次特征而忽略了浅层特征引起的数据特征丢失，影响诊断结果的问题。

【技术实现步骤摘要】
一种多层次卷积神经网络模型的构建方法及应用
本专利技术属于神经网络
，具体涉及一种多层次卷积神经网络模型的构建方法及应用。
技术介绍
旋转机械中包含滚动轴承，齿轮，电机转子等部件，在现代工业中得到广泛应用，任一部件故障会导致严重的安全性损失和巨大的维护成本。在过去的几十年里，人们进行了大量的研究来开发有效的故障诊断方法。振动信号通常用于故障诊断，这种信号是一种周期性变化的时间序列数据。传统的故障诊断技术使用信号处理方法，如快速傅立叶变换(FFT)、变分模式分解(VMD)和小波分解，通过确定信号的周期性影响分量来识别故障。虽然上述方法可以有效解决小样本的轴承故障诊断问题，但对于大样本和复杂干扰，仍然存在以下现象。(1)故障诊断方法分为三个独立的部分，即特征提取、降维和分类。这种方法破坏了部件之间的耦合关系，并导致故障信息的部分丢失。(2)人工特征提取需要一定的先验知识，在可变负载和噪声下表现出泛化能力，并且在处理大量数据时会遇到困难。近年来，深度学习网络作为一种高效的模式识别算法出现，有望克服当前智能故障诊断中的障碍。深度学习的特点本文档来自技高网...

【技术保护点】
1.一种多层次卷积神经网络模型的构建方法，其特征在于，包括以下步骤：/n(1)采集机械设备某一转动部件不同工况下不同位置的振动信号，按照不同工况对振动信号标记对应的健康或故障类别标签，构成带有不同健康状态标签的样本序列。/n(2)将步骤(1)中的每种健康状态的样本序列分成训练集、验证集以及测试集；/n(3)将原始的振动信号进行快速傅里叶变换，从而将时域信号转换成频域信号，并提取出频域系数；/n(4)构建多层次卷积神经网络，以空间层和时序层形成两条链路，一条链路为浅层空间层，另一条链路为深层次的空间层和时序层，最后将两条链路的输出相结合，即将浅层空间层特征与深层次的空间层和时序层特征相连接送入分...

【技术特征摘要】
1.一种多层次卷积神经网络模型的构建方法，其特征在于，包括以下步骤：
(1)采集机械设备某一转动部件不同工况下不同位置的振动信号，按照不同工况对振动信号标记对应的健康或故障类别标签，构成带有不同健康状态标签的样本序列。
(2)将步骤(1)中的每种健康状态的样本序列分成训练集、验证集以及测试集；
(3)将原始的振动信号进行快速傅里叶变换，从而将时域信号转换成频域信号，并提取出频域系数；
(4)构建多层次卷积神经网络，以空间层和时序层形成两条链路，一条链路为浅层空间层，另一条链路为深层次的空间层和时序层，最后将两条链路的输出相结合，即将浅层空间层特征与深层次的空间层和时序层特征相连接送入分类器。
(5)使用训练集对构建的多层次卷积神经网络模型进行训练，将步骤(3)中的频域系数输入到步骤(4)中的神经网络模型进行迭代训练；并使用验证集的频域系数对训练的多层次卷积神经网络模型进行验证。
(6)将测试集输入到训练好的多层次卷积神经网络模型，得到诊断结果。


2.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(1)中的机械设备转动部件为滚动轴承、齿轮或电机转子。


3.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(1)中的振动信号为转动部件的位移、速度或加速度信号。


4.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(1)中的带有不同健康状态标签的样本序列，其中的不同健康状态标签是指转动部件的不同故障类型和正常状态。


5.根据权利要求1所述的一种多层次卷积神经网络模型的构建方法，其特征在于：所述步骤(4)中构建多层次卷积神经网络...

【专利技术属性】
技术研发人员：刘鑫，任海莉，董增寿，康琳，杨嘉其，王焜，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西;14