[发明专利]一种基于Spark的并行卷积神经网络轴承故障诊断方法

权利要求书

1.一种基于Spark的并行卷积神经网络轴承故障诊断方法，其特征在于，包括以下步骤；

步骤一：

将加速度计布置在轴承一端，用于采集轴承在不同荷载下不同损坏状况的滚动轴承信号，从而得到损坏轴承的振动信号数据；

步骤二：

对步骤一收集的信号使用数据集堆叠技术，通过堆叠数据集增强技术，对采集来的数据做进一步处理，以增多训练集数量；

步骤三：

依照轴承损坏状态的不同对数据进行打标处理；根据轴承损坏情况对数据集做标签分类；

步骤四：

依据随机抽样模型的方式对步骤三得到的数据集做出划分并存储在HDFS上；划分而成的多个子训练集；

构建并行卷积神经网络轴承故障诊断模型，并用打好标签的数据集对模型进行训练；其中，所述并行模型包含由spark管理的众多分布于不同计算机的弱CNN学习机，以及运行在Driver端的Bagging投票算法；

步骤五：

评估训练之后的并行模型，并将该模型用以诊断、分类滚动轴承。

2.根据权利要求1所述的一种基于Spark的并行卷积神经网络轴承故障诊断方法，其特征在于，所述步骤三中轴承损坏标签分为正常轴承振动数据以及损伤大小分别为0.007、0.014、0.021的内圈、外圈、滚动体的轴承振动数据。

3.根据权利要求1所述的一种基于Spark的并行卷积神经网络轴承故障诊断方法，其特征在于，所述步骤四具体为：

(4-1)：将打完标签的数据依据集群中的机器数量划分为多个子训练集，划分方式如下式：

n＝N÷k

其中N为整体数据集大小，k为集群节点数量，n为每个节点训练集的大小。n通过有放回的随机抽样方式从N中选取。被切分的数据集存以block形式存储在HDFS上；

(4-2)：初始化一维CNN模型，该模型拥有两个卷积层，卷积核大小分别为20×1，5×1，步长为6×1，3×1，两个池化层，卷积核大小分别为4×1，2×1，步长4×1，2×1，之后连接一个神经元为600个的全连接层以及最终的含有10个输出的softmax层；

(4-3)：利用spark的分布式模型将统一的初始化一维CNN网络广播到各个Executor上；各个Executor上获得的广播模型读取HDFS上的分割数据来进行分布式并行训练，多个Executor上训练的CNN此时是单独训练的；

(4-4)：每个Executor的CNN弱学习机，自己单独进行准确率评估，并自行进行误差修正，当所有CNN弱学习机均达到了预测精度要求，训练完毕，此时并没有Bagging的参与；

(4-5)：在对测试数据进行测试时，所有的弱学习机均会获得到相同的数据集，分别单独进行预测推断，所有弱学习机训练完成最终利用在Driver端的Bagging投票算法依据弱学习机预测的结果得出模型最终结果。

4.根据权利要求1所述的一种基于Spark的并行卷积神经网络轴承故障诊断方法，其特征在于，所述步骤五依据模型训练结果的准确率、加速比来对训练的模型进行评估，从而判断模型是否出现过拟合或训练不充分等情况。