[发明专利]一种基于双通道卷积神经网络的滚动轴承状态诊断方法

权利要求书

1.一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，包括：

使用振动加速传感器采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；

对采集的振动加速度数据进行数据增强处理；

对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；

构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练，其中，所述诊断模型具有双通道卷积神经网络，所述双通道卷积神经网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；

评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承。

2.根据权利要求1所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，所述滚动轴承的状态分为正常状态、内圈故障、外圈故障和滚动体故障。

3.根据权利要求2所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，将电机零负载情况下的振动加速度数据作为训练集，将电机不同负载情况下的振动加速度数据作为测试集，通过训练集和测试集对卷积神经网络诊断模型进行训练和测试。

4.根据权利要求3所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，依据诊断模型的诊断训练结果的准确率、精准率、召回率和F1-Measure，对训练后的诊断模型进行评估，以判断是否出现过拟合状态和需要调整诊断模型参数和训练样本数量。

5.根据权利要求4所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，所述双通道卷积网络包括粗粒度卷积神经网络和细粒度卷积神经网络，所述粗粒度卷积神经网络的卷积核为宽卷积核，所述宽卷积核用于提取振动加速度数据的粗粒度特征；所述细粒度卷积神经网络的卷积核为窄卷积核，所述窄卷积核用于提取振动加速度数据的细粒度特征。

6.根据权利要求5所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，所述粗粒度卷积神经网络输出向量为：

所述细粒度卷积神经网络输出向量为：

其中，S_j为模型输入；l为卷积神经网络的层数；K为宽卷积核；k为窄卷积核；b为偏置向量；为粗粒度卷积神经网络输出向量；为细粒度卷积神经网络输出向量。