申请/专利权人：南京理工大学

申请日：2020-12-25

公开（公告）日：2022-07-19

公开（公告）号：CN112557034B

主分类号：G01M13/04

分类号：G01M13/04;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.07.19#授权;2021.04.13#实质审查的生效;2021.03.26#公开

摘要：本发明公开了一种基于PCA_CNNS的轴承故障诊断方法，用于诊断生产设备关键部件轴承故障问题，本发明将卷积神经网络与主成分分析法进行结合，根据输入的轴承状态特征数据完成数据的特征提取，更加符合在实际加工生产过程中故障诊断过程。通过将故障诊断过程分为特征提取与故障分类两个部分，利用基于主成分分析改进的卷积神经网络模型完成待检测数据的特征提取，采用K折交叉验证来对数据集进行循环划分以对比求解泛化能力较强的模型，结合自组织映射算法，对完成特征提取的数据进行筛选，最后利用全连接神经网络完成故障的分类，输出诊断结果。本发明提出的故障诊断方法具有鲁棒性强、实时性高等优势。

主权项：1.一种基于PCA_CNNS的轴承故障诊断方法，其特征在于：以完成对于轴承的故障诊断为目标，利用主成分分析法完成数据降维，采用自组织映射算法优化卷积神经网络模型，利用现有的轴承故障数据与分类完成模型训练，结合k折交叉验证选取最优表现模型，从而提升轴承故障诊断的准确率，具体包括如下步骤：步骤1：利用主成分分析法提取输入的轴承数据集v中代表原始n维数据特征信息的m维主成分数据集w，将主成分数据集w按分割比例进行分割，分为训练样本集wtrain和测试样本集wtest，其中mn，转入步骤2；步骤2：初始化卷积神经网络模型参数：设置每次训练样本数Batch_Size、模型训练次数Epochs和卷积神经网络模型迭代次数Iterator_Times，所述卷积神经网络模型包括特征提取器和分类器SOM-BP，确定特征提取器的多层次卷积层、激活层及池化层，转入步骤3；步骤3：设置Adam优化器学习率Learning_Grade，对特征提取器进行归一化，再利用自组织映射，优化BP神经网络得到SOM-BP，设置交叉熵函数为损失函数Loss，进而获得卷积神经网络，转入步骤4；步骤4：利用训练样本集wtrain训练卷积神经网络，直至Loss的值小于设定的阈值threshold或者Epochs大于Max_Epochs，获得卷积神经网络模型，转入步骤5；步骤5：将测试样本集wtest输入卷积神经网络模型，计算卷积神经网络模型的误差error与准确率accuracy，保存各级网络参数，转入步骤6；步骤6：判断卷积神经网络模型迭代次数Iterator_Times是否大于设定的最大迭代次数T：若大于等于设定的最大迭代次数，则获得T组模型验证结果，转入步骤7；若小于设定的最大迭代次数，则更新Iterator_Times的值，将w按步骤1中的分割比例进行重新分割，分为与步骤1中不同的训练样本集wtrain和测试样本集wtest，返回步骤4；步骤7：对比求解T组模型验证结果，选取其中准确率最高的模型作为输出模型；步骤1中轴承数据集v来自于凯斯西储大学滚动轴承数据中心的轴承数据，利用主成分分析法提取v中代表原始n维数据特征信息的m维主成分数据，将其中的冗余特征进行筛选，完成数据降维，具体如下：提取轴承数据的n维特征向量，计算轴承数据特征向量的平均值，对轴承数据特征向量做方差归一化，再通过奇异值分解求取特征协方差矩阵，求取协方差矩阵的特征值和特征向量，将协方差矩阵的特征值按照从大到小的顺序排序，选取其中的m个，最后将轴承数据投影到选取的特征向量上，从而将输入n维特征转变成其在m维上的投影；步骤2中确定特征提取器的多层次卷积层、激活层及池化层，具体如下：对于多层次卷积层，第一层卷积层的卷积核大小设置为a，以提取输入数据短时特征，完成特征学习，同时将第一层以外的卷积层的卷积核大小设置为b，a＞b；所述步骤3中，设置Adam优化器学习率Learning_Grade，对特征提取器进行归一化，再利用自组织映射，优化BP神经网络得到SOM-BP，进而获得卷积神经网络模型，具体如下：步骤31：使用学习率自适应算法Adam替代随机梯度下降SGD，完成动态调整参数学习率；步骤32：在卷积层与激活层之间，以及SOM-BP内加入若干归一化层：卷积层的输入先减去所在第一小批量样本mini-batch的均值，再除以第一小批量样本的标准差，完成标准化操作；SOM-BP内各层的输入先减去所在第二小批量样本mini-batch的均值，再除以第二小批量样本的标准差，完成标准化操作；步骤33：利用SOM-BP将特征提取器提取出的特征进行分类：先将最后一个池化层的输出铺展成一维的特征向量，作为SOM-BP的输入；训练样本进入SOM-BP网络后，根据训练样本向量与各SOM-BP层中的神经元权值向量的欧式距离确定获胜神经元的位置，并根据获胜神经元的位置确定权值调整范围来更新网络连接权值，随着初级网络的不断迭代，完成轴承正常特征数据与故障特征数据的区分。

全文数据：

权利要求：

百度查询： 南京理工大学 一种基于PCA_CNNS的轴承故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD