基于卷积神经网络的滚动轴承故障特征提取方法、装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116010805A(43)申请公布日2023.04.25(21)申请号202310294307.6G06N3/0464(2023.01)(22)申请日2023.03.24G06N3/08(2023.01)(71)申请人昆明理工大学地址650093云南省昆明市五华区学府路253号(72)发明人刘韬王振亚陈庆刘畅伍星柳小勤周俊(74)专利代理机构昆明人从众知识产权代理有限公司53204专利代理师陈波(51)Int.Cl.G06F18/213(2023.01)G01M13/045(2019.01)G06F18/10(2023.01)G06F18/214(2023.01)权利要求书1页说明书5页附图5页(54)发明名称基于卷积神经网络的滚动轴承故障特征提取方法、装置(57)摘要本发明公开了一种基于卷积神经网络的滚动轴承故障特征提取方法、装置，方法包括：依据采集的原始振动信号构建样本，获得样本集；对样本集进行预处理，划分训练集与测试集；基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；使用训练集训练构建好的神经网络模型，冻结网络权重；调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。将本发明所述方法，成功应用于故障模拟实验台的滚动轴承振动数据，在保证了分类率的同时可以有效提取到轴承的故障特征频率，证明了该方法的可行性和有效性。CN116010805ACN116010805A权利要求书1/1页1.一种基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，包括：依据采集的原始振动信号构建样本，获得样本集；对样本集进行预处理，划分训练集与测试集；基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；使用训练集训练构建好的神经网络模型，冻结网络权重；调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。2.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，将采集到的原始振动信号进行分段处理，取大于一个周期内的点数作为一个样本。3.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号。4.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，所述用于特征提取的神经网络模型，包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层；卷积系统包括多个卷积层，设置每层的卷积核大小、步长均为1，最后一个卷积层设置为单一Feature输出；多层卷积的输出通过归一化处理后连接最大池化层进行降维，然后添加注意力机制层增加有效信息，后接全连接层输出；依据互信息规则，将模型的损失表示为交叉熵损失与互信息损失的结合。5.根据权利要求4所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，所述互信息损失lossMI定义为：；式中，MI(inputi,outCSi)表示卷积系统的输入信号与卷积系统的输出信号的互信息关系，inputi是第个输入的包络谱信号，outCSi是inputi经过卷积系统后的输出。6.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，将用于特征提取的神经网络模型中最后一层卷积特征输出，作为可视化特征提取结果。7.一种基于卷积神经网络的滚动轴承故障特征提取装置，其特征在于，包括：第一获得模块，用于依据采集的原始振动信号构建样本，获得样本集；划分模块，用于对样本集进行预处理，划分训练集与测试集；构建模块，用于基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；冻结模块，用于使用训练集训练构建好的神经网络模型，冻结网络权重；第二获得模块，用于调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1‑6中任意一项所述的基于卷积神经网络的滚动轴承故障特征提取方法。2CN116010805A说明书1/5页基于卷积神经网络的滚动轴承故障特征提取方法、装置技术领域[0001]本发明涉及一种基于卷积神经网络的滚动轴承故障特征提取方法、装置，属于机械装备故障诊断与状态监测技术领域。背景技术[0002]机械设备的故障诊断与状态监测是服务于工业现场运维，涉及民生质量、工业生产、国防安全的关键技术，其中，滚动轴承作为现代智能装备的支撑部件，在工业生产中扮演举足轻重的角色。相关统计，造成旋转机械中的故障因素中，约有30%是因为轴承运行出现损失导致的。因此，对滚动轴承进行状态监测、故障特征提取有着重要的工程价值与研究意义。[0003]基于传统的信号处理方法，如奇异值分解，