[发明专利]基于正余弦算法优化卷积神经网络的机床轴承状态识别方法

说明书

本发明公开了一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，本发明首先构建卷积神经网络模型，再使用正余弦算法优化卷积神经网络模型参数，最后对优化后的卷积神经网络模型对轴承的状态进行分类识别，本发明通过正余弦算法对卷积神经网络进行优化，解决了卷积神经网络模型训练时易陷入局部最优，且卷积神经网络模型参数大多靠经验人工选择的问题。本发明通过正余弦算法优化后的卷积神经网络，提高了轴承状态识别的准确率，降低了误差值，提高了工作效率。

技术领域

本发明属于轴承状态识别预测领域，具体涉及一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法。

背景技术

轴承是机床主轴的关键零部件之一，在机床工作时轴承的状态对机床主轴系统特性具有较大影响。随着智能制造水平的提高，机电装备的状态监测迈入大数据智能化时代，同时，机床设备的健康状态直接关系到加工产品的质量和企业的安全生产，为了保证机床的安全运行，必须对其正常运行状态、故障状态以及故障类别进行识别评估。因此，通过深度学习技术提高轴承状态识别的准确率及稳定性具有重要意义。

随着“大数据、云计算”时代的到来以及传感器技术的发展，工业系统中能够获取的监测数据越来越多，机器学习作为神经网络发展而来的一项新技术，以其强大的特征提取能力提供了一种解决状态识别的思路。其中，卷积神经网络时一类经典的前馈神经网络，具有稀疏交互、参数共享以及空间池化等优良特性。

正弦余弦算法是一种群体智能优化算法，具有收敛速度快且可以有效避免陷入局部最优的特点，通过正余弦算法来优化卷积神经网络，能够改善模型训练时易陷入局部最优的问题，从而提高了轴承识别的准确率。

发明内容

本发明的目的在于克服上述不足，提供一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，能够解决卷积神经网络模型训练时易陷入局部最优的问题，且卷积神经网络模型参数靠人工经验选择的问题，对于轴承的状态有较好的识别效果。

为了达到上述目的，本发明包括以下步骤：

步骤一，对轴承各个状态的振动信号进行归一化处理和打标签处理；

步骤二，构建卷积神经网络模型；

步骤三，使用正余弦算法优化卷积神经网络模型参数；

步骤四，对优化后的卷积神经网络模型进行测试和训练后，再对轴承的状态进行分类识别。

步骤一中，对振动信号进行归一化处理，使振幅都归一化为[0,1]，归一化处理公式为：

其中，P_max表示样本数据的最大值；P_min表示样本数据的最小值。

步骤一中，对振动信号进行打标签处理是对轴承不同的损伤类型进行分类。

步骤二中，采用dropout方法构建神经网络模型。

步骤二中，采用ReLU函数作为卷积神经网络的激活函数，当ReLU函数的输入值大于0时导数值始终为1；当ReLU函数的输入值小于0时导数值始终为0。

正余弦算法的过程如下：

第一步，初始化算法参数，包括初始化种群规模N，控制参数a，最大迭代次数T等；

第二步，在解的空间中随机初始化N个个体(k＝1,2,…,N)组成初始群体；

第三步，计算每个个体的适应度值，并记录最优个体位置，更新迭代方程来施加扰动并更新解集；

第四步，判断是否达到终止条件，终止条件为达到最大迭代次数或者达到满意解，若不满足终止条件，则返回第三步，若满足终止条件，则结束迭代，输出最优参数。