申请/专利权人：上海吞山智能科技有限公司

申请日：2021-04-06

公开（公告）日：2022-09-16

公开（公告）号：CN113203566B

主分类号：G01M13/045

分类号：G01M13/045;G06K9/62;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.09.16#授权;2021.08.20#实质审查的生效;2021.08.03#公开

摘要：本发明涉及一种基于一维数据增强的CNN的电机轴承故障诊断方法，先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；训练好的卷积神经网络模块是以二维图像数据集为训练集训练得到；二维图像数据集是将增强数据集和训练数据集整合后，输入数据转化模块直接转化得到；增强数据集是将训练数据集输入一维数据增强模块输出得到；一维数据增强模块包括用带softmax分类器的BP神经网络改良后的SAE；本发明将一维数据增强模块和CNN结合应用于故障诊断问题，着力于解决故障类型多样且各类的样本数据不足的情况下的故障诊断。

主权项：1.一种基于一维数据增强的CNN的电机轴承故障诊断方法，其特征是：先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；所述故障诊断测试是指训练好的卷积神经网络模块的输出层输出分类结果为16×1的一维向量，所述一维向量有且仅有一个值为1，其余值为0，1所在的位置即为测试结果；所述一维振动信号带有故障诊断类型标签；所述训练好的卷积神经网络模块是以二维图像数据集为训练集训练得到；所述二维图像数据集是将增强数据集和训练数据集整合后，输入数据转化模块直接转化得到；所述增强数据集是将训练数据集输入一维数据增强模块输出得到；所述一维数据增强模块包括用带softmax分类器的BP神经网络改良后的SAE；所述一维数据增强模块的构建过程为：1选择所述训练数据集；所述训练数据集的样本不多于100个；2构建三层的SAE和三层的带softmax分类器的BP神经网络，并初始化所述SAE和所述BP神经网络的参数；3选用均方差函数计算SAE的重构误差，单个输入的误差函数L1为： 式中，W为超平面的法向量，初始化为维数与每组输入数据的故障特征参数数据个数相同的单位向量，b为超平面的截距，初始化为0，x为解码器输入数据，y为编码器输入数据，hW，bx为解码器输出，||·||为欧氏距离；对于一组输入{x1，y1，x2，y2，...，xm，ym}，总的误差函数为： 式中，M为输入数据的个数；4选择交叉熵函数计算BP神经网络的softmax层的故障诊断类别和所述训练数据集中标签的分类误差L2，具体的函数如下： 式中，K为分类的类别的数量；qis为一个分类参数，当类别s和第i个样本数据的类别相同时，qis取1，否则qis取0；pis为观测第i个样本属于类别s的预测概率；5优化后的SAE训练过程中的总误差L为：L＝L1W，b+L2；6每次训练过程中，为了使L最小化，通过反向传播算法更新优化后的SAE的网络参数，计算公式如下： 式中，和是L关于W和b的偏微分，α是SAE的学习率；7判断是否达到预设训练次数，如果是，则停止训练；反之，则返回步骤2，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差，得到训练完成的带softmax分类器的BP神经网络改良后的SAE，并由其构成数据增强模块。

全文数据：

权利要求：

百度查询： 上海吞山智能科技有限公司 一种基于一维数据增强和CNN的电机轴承故障诊断方法

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