一种时间序列的轴承故障诊断多层卷积特征提取分类方法技术

本发明专利技术涉及一种时间序列的轴承故障诊断多层卷积特征提取分类方法，属于基于深度学习的分类方法领域。对轴承时间序列数据通过特征的扩大与收缩，依次通过五层卷积层网络，得到高度抽象的特征向量，然后，通过训练得到不同向量的权重，获取权重矩阵，将权重矩阵进行归一化后，使用权重矩阵对特征向量信息进行选择，保留有用信息，剔除无用信息，将选择后的结果输入全连接神经网络，进行轴承故障诊断的六分类任务。本发明专利技术采用模型自主学习获得不同特征向量的权重配比，减少主观因素的影响，降低了特征冗余和特征丢失，提高了分类的准确率，可替代传统人工依靠自身经验对数据特征进行判断，提高工作效率。提高工作效率。提高工作效率。

【技术实现步骤摘要】
一种时间序列的轴承故障诊断多层卷积特征提取分类方法


[0001]本专利技术属于基于深度学习的分类方法领域，尤其涉及一种时间序列的轴承故障诊断多层卷积特征提取分类方法。

技术介绍

[0002]深度学习技术不是单一的算法，而是一种具有深度结构的神经网络。深度学习算法能够自适应地从原始数据中提取代表性特征，捕获数据的内在信息，对先验知识和诊断专业知识依赖性更低。在实际生产应用环境中，时间序列数据的特征及形态往往是多种多样的，传统的深度学习方法并不能高效准确的提取数据中有用的特征信息。

技术实现思路

[0003]本专利技术提供一种时间序列的轴承故障诊断多层卷积特征提取分类方法，通过深度学习算法强大的网络结构，在特征提取和分类方面取得令人满意的效果。
[0004]本专利技术采用的技术方案是：包括下列步骤：
[0005]步骤1，对轴承时间序列数据进行数据规整处理，使数据点之间具有相同的时间间隔，得到矩阵
[0006]矩阵A的行代表不同的样本，列代表每个样本的特征；
[0007]步骤2，对处理后的时间序列数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时间序列的轴承故障诊断多层卷积特征提取分类方法，其特征在于，包括下列步骤：步骤1，对轴承时间序列数据进行数据规整处理，使数据点之间具有相同的时间间隔，得到矩阵矩阵A的行代表不同的样本，列代表每个样本的特征；步骤2，对处理后的时间序列数据，依次通过五层卷积网络进行特征提取；步骤3，依据步骤2提取到的特征矩阵，初始化特征矩阵的权重矩阵，得到初始权重矩阵B；步骤4，通过训练得到最终权重矩阵B'，并对最终权重矩阵进行归一化得到步骤5，通过将归一化后得到的权重矩阵对步骤2提取到的特征矩阵进行加权得到矩阵C，之后进行求和，将加权求和后的结果，输入全连接神经网络进行轴承故障分类。2.根据权利要求1所述的一种时间序列的轴承故障诊断多层卷积特征提取分类方法，其特征在于：所述步骤2中通过长度为f的一维卷积核进行卷积运算，其中卷积后所得到的特征向量组成的输出矩阵的运算公式为：y＝(x
‑
f+2p)/s+1输出矩阵大小为y、输入矩阵大小为x、卷积核大小为f、步长为s、padding填充为p。3.根据权利要求2所述的一种时间序列的轴承故障诊断多层卷积特征提取分类方法，其特征在于：所述步骤2中在依次进行五层卷积运算进行特征提取时，在第一层卷积时使用初始特征矩阵A进行输入，卷积后的特征矩阵A1作为输出；在第二层卷积时使用第一层输出特征矩阵A...

【专利技术属性】
技术研发人员：辛瑞昊，冯欣，苗冯博，王甜甜，于翠楠，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：