[发明专利]基于优化结构卷积神经网络的旋转机械故障诊断方法

权利要求书

1.一种基于优化结构卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：

S1：分别在旋转机械正常状态下和R种故障状态下随机截取长度为M²的工作信号L_n(m)，其中n＝1,2,…,N，N表示工作信号的数量，m＝0,1,…,M²-1，M²＝k×2^d，k＞1，d＞1，并且M²＞T，T表示工作信号的周期，记每段工作信号L_n(m)对应的标签为Y_n，标签Y_n用于标识工作信号对应的旋转机械的工作状态；将每段工作信号转化为大小为M×M的灰度图I_n，灰度图中像素点(i,j)的像素值f_n(i,j)采用以下公式计算：

其中，i,j＝0,1,…,M-1，round(·)表示舍入函数，Max_n、Min_n分别表示一维加速度振动信号L_n(m)的最大值和最小值；

S2：按照以下方法构建得到卷积神经网络：

第1层为卷积层Conv1，使用64个大小为5×5的卷积核，对输入的灰度图以步长为1做卷积；

第2层为最大池化层Pool1，对Conv1输入到Pool1的数据以步长为2做2×2的最大池化操作；

第3层为卷积层Conv2，使用64个大小为5×5的卷积核，对Pool1输入到Conv2的数据以步长为1做卷积；

第4层为最大池化层Pool2，对Conv2输入到Pool2的数据以步长为2做2×2的最大池化操作；

第5层为卷积层Conv3，使用192个大小为3×3的卷积核，对Pool1输入到Conv2的数据以步长为1做卷积，并进行1次补零；

第6层为cccp层Cccp1，使用192个大小为1×1的卷积核，对Conv3输入到Cccp1的数据以步长为1做卷积；

第7层为cccp层Cccp2，使用192个大小为1×1的卷积核，对Cccp1输入到Cccp2的数据以步长为1做卷积；

第5、6、7层构成MlpConv层；

第8层为全局平均池化层Pool3，使用192个与Cccp2输出特征图等大小的卷积核，对Cccp2输入到Pool3的数据以步长为1做平均池化；

第9层为输出层softmax，对Pool3层的线性输出进行处理，得到输入的灰度图属于R+1个故障状态类别的相对概率；

其中在Conv3、Cccp1、Cccp2中采用修正线性单元Relu作为激活函数；

S3：将步骤S1中得到的每幅灰度图I_n作为输入，对应的标签Y_n作为期望输出，对步骤S2构建的卷积神经网络进行训练；

S4：在旋转机械工作过程中，根据需要采集一段长度为M²的工作信号L′(m)，采用步骤S1中的相同方法将该工作信号转化为大小为M×M的灰度图I′_n，然后将灰度图I′_n输入至步骤S3训练好的卷积神经网络中，得到诊断结果。