[发明专利]一种基于层次卷积神经网络的机械故障预测方法

说明书

本发明属于神经网络故障预测相关技术领域，其公开了一种基于层次卷积神经网络的机械故障预测方法，该方法包括以下步骤：(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网模型具有两类分类器，分别为粗分类器及精分类器；(3)依次采用粗标签及精标签对所述粗分类器及所述精分类器进行训练，以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。本发明提高了精度及效率，适用性较好，有利于在实际应用中推广应用。

技术领域

本发明属于神经网络故障预测相关技术领域，更具体地，涉及一种基于层次卷积神经网络的机械故障预测方法。

背景技术

故障诊断在现代工业中发挥着至关重要的作用，随着智能制造的快速发展，大量的实时数据可以被收集，数据驱动的故障诊断方法已经被来自学术和工程领域的许多研究人员所研究。利用先进的基于学习的方法准确识别机械健康状况成为了故障诊断领域的一个趋势。

但传统基于学习的方法需要从时间、频率和视频域中提取信号的特征。特征提取是一个关键步骤，学习方法的上界性能依赖于特征提取过程。凭借显著的诊断技能和领域专业知识，该技术可以在特定数据集上实现高达100％的预测精度。然而，传统的手工特征提取技术需要相当多的领域知识，而特征提取过程非常耗时且费力。

近年来，深度学习(DL)在图像识别和语音识别方面取得了巨大的成功，它可以从原始数据中学习特征表示，关键是该过程不依赖于人类工程师，这可以尽可能地消除专家的影响，因而在故障诊断领域得到了广泛的应用。然而，机械数据具有噪音和随机性，这就限制了深度学习的实际应用。由于现实世界工业应用中的工作负载一直在变化，因此在不同工作负载下的故障诊断研究是必要的。相应地，本领域存在着发展一种适用性较好的机械故障预测方法的技术需求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于层次卷积神经网络的机械故障预测方法，其基于现有机械故障的预测特点，研究及设计了一种适用性较好的基于层次卷积神经网络的机械故障预测方法。所述机械故障预测方法适用于不同工作负载下的故障诊断，其将S变换和层次卷积神经网络模型相结合，将待故障预测的机械的振动信号自时域转变到时频域，同时采用了故障诊断可以看为层次分类树的方式，如此提高了故障预测的精度及效率，且适用性较好，有利于在实际应用中推广使用。

为实现上述目的，本发明提供了一种基于层次卷积神经网络的机械故障预测方法，该机械故障预测方法主要包括以下步骤：

(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；

(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网模型具有两类分类器，分别为粗分类器及精分类器；

(3)首先，采用粗标签对所述粗分类器进行训练，同时所述层次卷积神经网络进行粗分类；接着，采用精标签对所述精分类器进行训练以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。

进一步地，步骤(1)中，从采集到的所述振动信号中随即截取时序信号样本，并采用S变换将所述时序信号样本内的信号自时域转换成时频域，进而将得到的二维矩阵调整为224×224维矩阵。

进一步地，所述粗分类器及所述精分类器分别是采用粗标签及精标签进行训练得到的。

进一步地，所述粗分类器及所述精分类器分别对应故障种类在不同粒度上的层次划分。

进一步地，所述层次卷积神经网络模型的最终损失函数为：