[发明专利]一种多工况旋转机械故障诊断方法

权利要求书

1.一种多工况旋转机械故障诊断方法，其特征在于，包括：

S1、采集得到旋转机械的原始时域振动数据矩阵；

S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；

S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果；

所述规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度；

所述卷积神经网络包括输入层、卷积层、池化层和输出层；

所述卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。

2.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述输入层的维度等于规范化幅频振动数据矩阵的维度；所述卷积层由卷积核对输入层提取的特征构成，所述卷积核的滑移方向与采样长度的方向一致；所述池化层由池化结构对卷积层降采样获得，所述池化结构的滑移方向与采样长度的方向一致；所述输出层的节点个数等于待诊断旋转机械设备状态类型数；所述池化层和输出层间采用全连接。

3.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述卷积神经网络除输入层外的每一层均采用线性整流函数进行激活。

4.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述输出层分别采用softmax函数和argmax函数进行归一化处理和故障类别判定。

5.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述池化层采用最大池化获取。

6.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述卷积神经网络的损失函数采用结合L2正则项的交叉熵损失函数。

7.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述K近邻分类器的建立过程包括：

将已知诊断类型的振动数据集输入到训练好的卷积神经网络进行特征提取，将得到的池化层数据结合其故障类型标签作为特征数据集，根据特征数据集建立KD树，以余弦距离为判据，通过交叉验证确定近邻数目K，得到K近邻分类器。