【技术实现步骤摘要】
基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断方法
[0001]本专利技术涉及机械设备故障诊断
，具体为基于一维卷积神经网络 的圆柱滚子轴承保持架故障诊断方法。
技术介绍
[0002]滚动轴承作为基础和关键部件，是高端制造装备、智能设备、高科技船 舶装备、先进轨道交通等重点领域的关键部件。随着生产制造装备朝着规模 化、高速化、整体化和智能化的方向发展，滚动轴承的工作环境越来越苛刻， 保持架作为其重要的构成部分，发生故障的概率也越来越高。一旦保持架出 现故障，其他部分也会出现故障，致使故障原因难以分析。为了维持设备安 全稳定的运行，对轴承保持架的健康状况必需进行实时监控，为解决在监控 过程中滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特 征难以获取问题，亟需设计一种诊断方法，基于此，本专利技术设计了基于一维 卷积神经网络的圆柱滚子轴承保持架故障诊断方法，以解决上述问题。
技术实现思路
[0003]本专利技术的目的在于提供基于一维卷积神经网络的圆柱滚子轴承保持架故 障诊断方法，以解决上述背景...
【技术保护点】
【技术特征摘要】
1.基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断方法，其特征在于，基于端到端识别的适应性卷积神经网络故障诊断模型实现，该模型设计主要包括以下步骤：S1：将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强，并对样本实施分段标准化预处理构建训练和测试集；S2：利用一维卷积神经网络模型实现对振动信号的自适应特征提取和特征降维；S3：在输出端利用全局平均池化替换经典构架中使用的全连接运算，以减少训练模型参数和过程运算量，避免发生过拟合，最终经Softmax函数输出诊断结果。2.根据权利要求1所述的基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断方法，其特征在于：所述步骤S1中进行所述数据预处理时，对原始时域振动信号使用数据窗口移位技术进行数据增强，生成训练和测试样本集，并采用独热的编码方式对故障类型进行标签标记，然后对训练和测试集合中所有数据进行标准化处理，具体处理过程如下：(1)若故障状态下振动信号数据总长度为L，样本的长度为l，振动信号以某一偏移量m进行分割，则重叠部分数据长度为l
‑
m。(2)当前信号长度下可分割样本数量D：数据增强后样本集扩充倍数β：式中，[
·
]为向下取整运算符；(3)第i个分割样本在振动信号数据中的位置x
i
；x
i
＝L[(i
‑
1)
×
n+1：(i
‑
1)
×
m+l]，i∈[1，D]式中，x
i
为分割样本，通过设置相应的偏移量m可以得到不同规模的样本数据集合；(4)在深度学习中为提升模型收敛速度和精度，通常对样本集合进行标准化预处理，其标准化公式如下：式中，x
mean
表示样本数据的均值，x
std
表示样本数据的标准差，为标准化后的结果。3.根据权利要求1所述的基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断方法，其特征在于：所述步骤S2中一维卷积神经网络模型包括输入层、两个滤波器层和输出层组成，所述输入层对信号按照一定比例以时间间隔进行分割，得到经过标准化预处理的轴承保持架时域振动信号的样本集合；两个所述滤波器层实现数据信号的自适应特征提取和特征降维，得到鲁棒的非线性特征；所述输出层由全局平均池化层和全连接层组成，所述滤波器层包含卷积层和池化层两种不同类型的网络结构，模型通过交替利用滤波器层来提取数据特征，其中，卷积层采用卷积核权重共享对输入进行卷积操作，然后通过激活函数提取输入在局部区域的特征矩阵，卷积运算过程如下所示：式中，和表示第l层中第i个卷积核的权重和偏差，X
l
(j)表示第l层中第j个局部区
域，符号*计算卷积核与局部区域的点积，而表示第l+1层第i个卷积核运算结果中第j个神经元的输入。4.根据权...
【专利技术属性】
技术研发人员：郑一健，刘向英，张万永，苏良碧，贾鸿飞，刘超华，
申请(专利权)人：中煤平朔发展集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。