一种基于二次卷积和残差神经网络的轴承故障诊断方法技术

本发明专利技术请求保护一种基于二次卷积和残差神经网络的轴承故障诊断方法，该方法首先采用六层二次卷积神经网络，然后，融入了五层创新设计的ResNet残差神经网络，旨在有效克服二次卷积神经网络在训练过程中可能出现的梯度消失或梯度爆炸难题；最后，通过两层全连接层的深层次转化处理，以及顶层Softmax激活函数的应用，系统得以精准量化各类故障模式的概率分布，最终得出可靠的轴承故障诊断结果。与传统的统计学习过程相比，本发明专利技术不需要复杂的过程，也不需要对轴承信息进行特殊的预处理。此外，特征提取的过程也更加便利。在不同噪声强度和不同负载功率的数据中，本发明专利技术的模型均能取得较高的分类准确率。

【技术实现步骤摘要】

本专利技术涉及滚动轴承，具体地说是一种基于二次卷积和残差神经网络的轴承故障诊断方法。

技术介绍

1、滚动轴承是一种机械零部件，用于承受载荷和传递运动。它广泛应用于机械、电力、航空航天等领域。然而，由于轴承的重要性和易发生故障的特点，轴承故障成为导致中国设备运行事故的主要原因之一，约占事故总数的30％。轴承的健康状态与机械的正常运行密切相关，因此对滚动轴承故障和故障位置进行检测和诊断非常重要。

2、滚动轴承的故障诊断被国内外众多学者所研究，提出了众多的方法。在传统的轴承故障诊断中，对采集到的振动信号使用小波变换、经验模态分解等信号处理技术，获取故障信号特征，但这些方法只是对信号进行了处理，并未得到确切的故障诊断结果。而深度学习虽然在故障诊断领域取得了较大的成功，但对于轴承诊断方面仍存在一些不足，对于深度学习来说，网络结构越深，意味着能够提取到的特征就越多，但同时带来的训练参数也越多，训练时会存在梯度爆炸和消失的问题，同时无法对存在噪声的信号进行精确诊断。

3、经过检索，申请公开号cn114444549a，一种基于多层残差网络模型的滚动本文档来自技高网...

【技术保护点】

1.一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，所述步骤1中的Z-score标准化的数学模型描述为：

3.根据权利要求1所述的一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，所述步骤2中的二次卷积层是在普通传统卷积层的基础上引入二次神经元，相比于传统的神经元只能对输入向量进行一次卷积，二次神经元可对输入向量进行两次内积和幂运算，将采用二次神经元的网络称为二次卷积神经网络，将二次神经元的数学运算称为二次卷积运算，二次卷积运算的数学模型...

【技术特征摘要】

1.一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，所述步骤1中的z-score标准化的数学模型描述为：

3.根据权利要求1所述的一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，所述步骤2中的二次卷积层是在普通传统卷积层的基础上引入二次神经元，相比于传统的神经元只能对输入向量进行一次卷积，二次神经元可对输入向量进行两次内积和幂运算，将采用二次神经元的网络称为二次卷积神经网络，将二次神经元的数学运算称为二次卷积运算，二次卷积运算的数学模型描述为：

4.根据权利要求3所述的一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，所述步骤2中的改进的残差层是把普通残差层上捷径连接的传统神经元替换为二次神经元，改进的残差神经网络运算的数学模型描述为：

5.根据权利要求4所述的一种基于二次卷积和残差神经网络的轴承故障诊断方法，其特征在于，在残差神经网络结构中，残差函数构建过程采用了以...

【专利技术属性】
技术研发人员：罗志勇，潘术平，陈帅，董亮，孙立博，杨飞，雍小毅，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：