[发明专利]一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法

权利要求书

1.一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法，其特征在于：该方法首先将相似度度量的孪生结构与CNN相结合，构建S-CNN网络结构；然后，基于构造的S-CNN网络结构，建立第一级故障类型识别网络S-CNN1：(1)利用形态学增强脉冲特征去除部分噪声；(2)应用S变换将信号故障类型共性特征进行提取，构造时频图；(3)将时频图样本输入到第一级S-CNN中，对其进行训练，最终形成第一级故障类型识别网络S-CNN1，训练好的网络利用网络在目标空间对同类型故障汇聚、不同类型故障分离特性，实现滚动轴承故障类型的识别与自学习；

最后，建立第二级故障损伤程度分类网络S-CNN2：(1)应用具有滑动窗的短时傅里叶变换STFT将同类型故障不同损伤程度的差异性进行放大，得到滑动时频图样本；(2)将得到的时频图样本时频图样本输入第二级S-CNN中，对其进行训练，最终形成第二级故障损伤程度分类网络S-CNN2，训练好的网络是基于目标空间距离的分类器，实现故障损伤程度的自学习和自增长；

建立第一级S-CNN1故障类型自学习网络的具体过程如下，

(a)数据预处理：假设有一种未知故障类型X和若干已知故障类型X_i，i≥2，将所有原始振动信号进行数学形态学滤波，去除部分背景噪声，对数据按照每组Q个采样点进行分割作为输入样本；之后每组均进行S变换处理得到每组振动数据对应包含时域与频域信息的时频图，然后把时频图转换成n×n的矩阵；取所有信号数据的80％作为训练集数据，20％作为测试集数据；

(b)参数选择：选取网络参数，第一级S-CNN1网络采用的两个相同CNN网络参数选择如下：选取5层卷积网络，第一层16个卷积核，第二层32个卷积核，第三层64个卷积核，第四层128个卷积核，第五层256个卷积核，卷积核大小为5×5，优化算法选取Adam，Adam对超参数的选择很好鲁棒性，最大训练次数为4000次；

(c)训练过程：网络参数确定好之后，把步骤(a)中训练集的时频图即n×n矩阵作为S-CNN1的输入，计算相应的Gw(x₁)、Gw(x₂)和能量函数Ew(x₁,x₂)，并利用训练集的已知标签Y对S-CNN网络结构进行训练；其中训练过程主要依据反向传播逐层训练网络各层的参数，最终获得训练好的网络结构S-CNN1；

(d)测试与自学习过程：网络训练好之后，把步骤(a)中测试集时频图(n×n矩阵)作为步骤(c)中训练好的S-CNN1的输入，每种故障振动信号的时频图通过S-CNN1最后一层都会得到一个映射到目标空间的坐标值(x,y)，由孪生结构的原理可知同一类型故障会在目标空间越来越近，而不同类型故障则越来越远；训练4000次后，最终，两类故障会在目标空间汇聚成各自不重合的两簇，完成网络对不同特征的学习过程；计算训练集每种类型故障在目标空间集合的质心，第i类在目标空间的质心记为T_trainC_i；

(e)根据具有噪声的基于密度聚类方法的散点图确定半径T_M_min的值；

(f)将测试集数据通过S-CNN1映射到目标空间，得到测试集在目标空间坐标，计算测试集质心记为T_testC；求测试集的T_testC与训练集中T_trainC_i之间的欧式距离，当T_testC与第i类故障的T_trainC_i之间的距离小于T_M_min，则判定测试集中未知故障属于训练集中第i类故障类型；当T_testC与训练集中所有的T_trainC_i之间的距离都不小于T_M_min，则判定测试集中未知故障属于新故障类型，从而实现故障类型的分类与自学习过程；

建立第二级S-CNN2故障损伤等级自学习网络的具体过程如下，

(a)数据预处理：对已识别故障类型即经过S-CNN1网络识别的数据的样本将其还原为原始振动信号数据，接下来要进行故障损伤等级判别与自学习；首先对这些数据进行重叠分段预处理，对数据按照每段Q个采样点进行分割作为输入样本；之后每段均进行STFT变换处理得到每组振动数据对应包含时域和频域信息的时频图，然后对时频图进行压缩，转换成n×n的矩阵；

(b)参数选择：选取网络参数，第二级S-CNN2网络采用的两个相同CNN网络参数选择如下：CNN中选取3层卷积网络，第一层64个卷积核，第二层128个卷积核，第三层256个卷积核，卷积核为3×3，优化算法选取Adam Optimizer且最大训练次数为20000次；

(c)训练过程：网络参数确定好之后，把步骤(a)中训练集的时频图n×n矩阵作为S-CNN2的输入，计算相应的Gw(x₁)、Gw(x₂)和能量函数Ew(x₁,x₂)，并利用训练集的已知标签Y对S-CNN网络结构进行训练；其中训练过程依据反向传播逐层训练网络各层的参数，最终获得训练好的网络结构S-CNN2；

(d)测试与自学习过程：确定网络结构之后把测试集n×n的矩阵作为S-CNN2的输入，每种故障振动信号的时频图通过S-CNN2最后一层都会得到一个映射到目标空间的坐标值(x,y)；训练20000次后，计算训练集每种故障程度在目标空间集合的质心，第i类在目标空间的质心记为L_trainC_i；

(e)依据DBSCAN的散点图确定半径第二级网络L_M_min的值；

(f)将测试集数据通过S-CNN2映射到目标空间，得到测试集在目标空间坐标，计算测试集质心记为L_testC；求测试集的L_testC与训练集中L_trainC_i之间的欧式距离，当L_testC与第i类损伤程度L_trainC_i之间的距离小于L_M_min，则判定测试集中未知故障属于第i类损伤程度；当L_testC与训练集中所有的损伤程度之间的距离都不小于L_M_min，则判定测试集中未知故障属于新类型损伤程度，从而实现故障损伤程度的分类与自学习的过程。

2.根据权利要求1所述的一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法，其特征在于：构建S-CNN结构本质上是一种相似性度量的方法，输入为两幅时频图x₁和x₂，在模型训练的时候，他们具有已知标签Y，其中Y是一个二值标签；当输入的时频图x₁和x₂属于同一类时，Y＝0；否则，Y＝1，标签用于网络训练之用；之后，Gw(x₁)和Gw(x₂)分别为x₁和x₂经过两个CNN网络的对应输出，两个CNN网络将x₁和x₂映射到低维空间中的两个点；其中，w为两个CNN网络待学习的共享参数；之后，将两个网络的输出Gw(x₁)和Gw(x₂)进行运算得到一个相似性度量指标Ew，将该指标称为“能量函数”；该能量函数Ew(x₁,x₂)定义如下：

Ew(x₁,x₂)＝||Gw(x₁)-Gw(x₂)|| (1)

以上即为所构建的S-CNN基本结构，之后通过输入不同的训练样本来训练不同的S-CNN网络。