【技术实现步骤摘要】
本专利技术涉及旋转机械智能故障诊断的，尤其涉及一种基于多尺度动态权重混合cnn的旋转机械故障诊断方法。
技术介绍
1、旋转机械作为现代工业系统的重要组成部分，一旦发生故障，轻则导致设备停机，造成巨大经济损失，重则威胁人员生命。对旋转机械进行智能故障诊断一直是学者们研究的热点。机械振动信号可以很好地反应机械的健康状态，利用机械振动信号进行故障诊断取得大量的研究成果。大数据时代，深度学习因其对复杂结构和大样本高维数据的高效学习而广泛应用到自然图像处理、语音识别、机械故障诊断的领域。特别在机械故障诊断领域，利用cnn可以有效滤除振动信号包含的大量噪声和冗余信息，有效提取微弱故障特征，提高诊断精度。
2、早期cnn(深度卷积神经网络)是二维网络，对于振动信号，常用基于时域、频域、时频域的转换方法将一维信号转换为二维映射。但是单一的时域和频域转换，不能描述信号时域和频域的相关性，以及时频域转换方法如短时傅里叶变换(stft)、小波变换(wt)等，虽然取得较好的诊断结果，但诊断结果过分依赖信号前期处理，且人工选取特征离不开专家先验知识。
3、一本文档来自技高网...
【技术保护点】
1.一种基于多尺度动态权重混合CNN的旋转机械故障诊断方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于多尺度动态权重混合CNN的旋转机械故障诊断方法，其特征在于，所述1D-2D转换层将一维卷积神经网络生成的n个1D多尺度动态加权特征向量叠加生成一个n×n的二维矩阵，将二维矩阵作为2D CNN的输入，2D CNN提取相邻局部特征的最大值输一个1×M的向量，M代表状态类型个数。
3.根据权利要求1或2所述的基于多尺度动态权重混合CNN的旋转机械故障诊断方法，其特征在于，所述一维卷积神经网络包含依次连接的多尺度特征提取模块、动态加权模块和...
【技术特征摘要】
1.一种基于多尺度动态权重混合cnn的旋转机械故障诊断方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于多尺度动态权重混合cnn的旋转机械故障诊断方法，其特征在于，所述1d-2d转换层将一维卷积神经网络生成的n个1d多尺度动态加权特征向量叠加生成一个n×n的二维矩阵，将二维矩阵作为2d cnn的输入，2d cnn提取相邻局部特征的最大值输一个1×m的向量，m代表状态类型个数。
3.根据权利要求1或2所述的基于多尺度动态权重混合cnn的旋转机械故障诊断方法，其特征在于，所述一维卷积神经网络包含依次连接的多尺度特征提取模块、动态加权模块和concatenate层，多尺度特征提取模块由4组并行的单一尺度特征提取单元构成，每组单一尺度特征提取单元包括依次连接的1d卷积层i、1d激活层i、1d池化层i、1d卷积层ii、1dbn层、1d激活层ii、1d池化层ii，动态加权模块包括动态加权层，在每组1d池化层ii之后连接动态加权层，动态加权层连接concatenate层。
4.根据权利要求3所述的基于多尺度动态权重混合cnn的旋转机械故障诊断方法，其特征在于，所述单一尺度特征提取单元产生单一尺度特征向量，动态加权层产生自定义参数即动态权重，动态权重与每个单一尺度特征向量对应相乘进行动态加权，得到4组长度为n、个数为m的单一尺度动态加权特征向量，concatenate层并联4组单一尺度动态加权特征向量，得到长度为n、个数为4m即个数为n的1d多尺度动态加权特征向量。
5.根据权利要求3所述的基于多尺度动态权重混合cnn的旋转机械故障诊断方法，其特征在于，4组单一尺度特征提取单元的1d卷积层i-ii的卷积核大小分别为3×1、5×1、7×1、9×1，对振动信号进行不同尺度的特征提取，其中m为每组的卷积核数目，且在网络训练过程中，每个动态权重的权重值随着损失函数进行自适应更新，不断...
【专利技术属性】
技术研发人员：杜文辽，杨凌凯，王宏超，姜礼杰，赵斌斌，巩晓赟，谢贵重，赵峰，邬昌军，高艺源，
申请(专利权)人：郑州轻工业大学，
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。