旋转机械故障的联合卷积神经网络诊断方法技术

本发明专利技术提供一种旋转机械故障的联合卷积神经网络诊断方法，包括数据采集、数据预处理、构建1D

【技术实现步骤摘要】
旋转机械故障的联合卷积神经网络诊断方法


[0001]本专利技术涉及旋转机械故障的联合卷积神经网络诊断方法，属于旋转机械智能故障诊断


技术介绍

[0002]旋转机械广泛应用于各行各业中，并向着精密化、智能化方向发展。机械设备一旦发生故障，引起设备的不正常停机，不仅会带来重大的财产损失，而且可能危及人们的生命安全。旋转机械的故障诊断研究一直是学者们研究的热点。由于设备的振动信号携带者大量的状态信息，利用设备振动信号，基于数据驱动的故障诊断技术取得了大量的研究成果。一般来说，这种诊断技术需要信息采集、数据预处理、特征提取、特征降维、模式识别等几个步骤，但是特征提取和特征降维通常需要大量依赖人工的经验，并且传统的模式识别技术是浅层学习，得到的诊断精度不理想。近年来，深度学习方法引起大量学者的重视，卷积神经网络是最有效的深度学习模型之一，具有权值共享、局部感知、多核参与、自动提取特征等特点，在模式识别、图像语音识别等领域中获得了巨大的成功，目前已有不少专家学者将卷积神经网络运用到故障诊断领域中。
[0003]CNN最初主要是用来处理二维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械故障的联合卷积神经网络诊断方法，其特征在于，包括如下步骤：步骤1、数据采集：设定采样频率，完成诊断对象各个状态下的振动信号采集；步骤2、数据预处理：对采集到的数据进行归一化处理，并将数据划分为训练集、验证集和测试集；步骤3、构建1D
‑
2D JCNN模型：1D
‑
2D JCNN模型由1D卷积层、2D卷积层、池化层和全连接层构成；首先构造一维卷积神经网络，此一维卷积神经网络中只有一层卷积层，并且设置卷积核大小、步长、n个卷积核数目，使得生成的特征图长度为n；将一维振动信号输入到此一维卷积神经网络中，对一维信号进行卷积操作，生成n个特征图，将这n个特征图叠加到一起，生成一张n
×
n的二维矩阵，将此矩阵作为二维卷积神经网络的输入；并对模型各层的连接权值和偏置参数初始化；步骤4、模型训练：选择交叉熵为损失函数，将训练集和验证集输入构建好的1D
‑
2D JCNN模型中，利用反向传播算法对网络模型开始训练，权值更新采用梯度下降法，根据误差的链式传播法则，采用误差反向传播法计算每一层的梯度，当符合模型训练终止条件时，停止训练并保存训练好的模型；步骤5、验证：利用验证集样本对步骤4中得到的模型进行验证；如果诊断精度达不到要求，重新执行上述步骤2
‑
4的过程直到诊断精度达到要求后完成训练，得到最终模型参数；步骤6、诊断：将测试集输入到训练好的模型中，得到模型的诊断正确率测试结果。2.如权利要求1所述的旋转机械故障的联合卷积神经网络诊断方法，其特征在于，步骤3所述构建1D
‑
2D JCNN模型的具体方法为：a、构造1D
‑
2D联合卷积神经网络结构：该网络由1D卷积层、2D卷积层、池化层和全连接层构成，1D
‑
2D JCNN的模型结构参数为网络结构共16层，包括1个输入层，1个一维卷积层，4个二维卷积层，4个BN层，4个池化层和2个Dense层；卷积层激活函数采用ReLU函数，在每个二维卷积层后面紧跟一个BN层和一个池化层；Dense_1层为全连接层，Dense_2层为输...

【专利技术属性】
技术研发人员：杜文辽，王宏超，李川，胡鹏杰，侯绪坤，巩晓赟，赵峰，谢贵重，孟凡念，郭志强，王良文，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：