一种基于“1dCNN-GWO-SVM”模型的轴承故障诊断方法技术

本发明专利技术公开了一种基于“1dCNN

【技术实现步骤摘要】
一种基于“1dCNN
‑
GWO
‑
SVM”模型的轴承故障诊断方法


[0001]本专利技术属于智能装备制造领域，更具体的说涉及一种基于“1dCNN
‑
GWO
‑
SVM”模型的轴承故障诊断方法。

技术介绍

[0002]轴承是机械设备中一种常见且重要的零部件，一旦出现故障，就会影响设备整体使用寿命。因此在生产过程中，需要找到一种切实可行的算法，来监视轴承各项信号指标，从而降低轴承故障的负面影响。
[0003]轴承故障诊断主要分为两步，一是对原始信号提取特征，二是对处理后数据进行识别与分类。而传统上特征提取方面往往使用主成分分析等机器算法，但由于其结构单一，相较于深度学习算法，其识别效率与准确程度要大打折扣。另外，在识别与分类上，支持向量机是主流的分类模型，但由于优化算法的不同，如网格搜索算法、遗传算法、粒子群算法，使得支持向量机在使用过程中存在着局部最优、效率低下、随机性大等诸多问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于“1dCNN
‑
GWO
‑
SVM”模型的轴承故障诊断方法，其特征在于：所述的方法包括以下步骤实现的：步骤1：数据预处理；步骤2：模型构建；步骤3：将训练集数据输入模型后进行训练，再使用模型对测试集进行分类，评价其分类准确率与精确性。2.根据权利要求1所述的一种基于“1dCNN
‑
GWO
‑
SVM”模型的轴承故障诊断方法，其特征在于：所述的步骤1：数据预处理；(1)对载入的每一类轴承数据进行重塑与分割，不同的重塑形式会影响1D
‑
CNN的特征提取能力与GWO
‑
SVM的诊断效率；(2)将不同故障类别的数据贴上标签，进行横向与纵向拼接，并进行对数据整体的随机化处理；(3)划分训练集与测试集，训练集用以训练一维卷积的特征提取与灰狼算法的参数优化能力，而测试集则作为评估模型最终故障诊断能力的工具。3.根据权利要求1所述的一种基于“1dCNN
‑
GWO
‑
SVM”模型的轴承故障诊断方法，其特征在于：所述的步骤2：模型构建；原始信号数据经过预处理后，就可以作为1dCNN
‑
GWO
‑
SVM模型的输入，该模型主要包括1D
‑
CNN与GWO
‑
SVM两部分：(一)一维卷积神经网络卷积神经网络输出层直接连接了GWO
‑
SVM分类器；(1)卷积层卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，在1D
‑
CNN的卷积层中，一维卷积核对上一层的输出特征进行卷积计算，计算方式如下：其中，k(i)定义了第i层的输出；w为卷积核，b为偏差；r表示一维输入；(2)全连接层全连接层是对多个卷积层所提取的特征进行组合得到输出，采取多个相连的全连接层来处理多个卷积层的特征输出，将其组合输出成GWO
‑
SVM分类器的输入值，其数学模型可表述为：x
m
＝f(ω
m
x
m
‑1+b
m
)其中，x为特征矢量，b、ω分别为偏差向量和权...

【专利技术属性】
技术研发人员：王凤，邹宇哲，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：