[发明专利]基于S变换与微型卷积神经网络模型的轴承故障诊断方法

权利要求书

1.一种基于S变换与微型卷积神经网络模型的轴承故障诊断方法，其特征在于，包括：

获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；

对所述二维时频域图像进行双线性插值，调整图像大小，得到调整后的所述二维时频域图像，将调整后的所述二维时频域图像划分为训练集和测试集；

构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；

将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。

2.根据权利要求1所述的方法，其特征在于，在对所述数据集中的一维时域信号进行S变换前，对所述一维时域信号进行归一化，包括：

其中，v′为归一化后的一维时域信号；v为待归一化的一维时域信号；min_v和max_v分别为待归一化的一维时域信号的最小值和最大值；min_v′和max_v′分别为归一化后的一维时域信号的最小值和最大值。

3.根据权利要求1或2所述的方法，其特征在于，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像，包括：

其中，h(t)为一维时域信号；S(τ，f)为一维时域信号h(t)经过S变换后的结果；τ为高斯窗口在时间t上的时移参数；f为频率；ω(τ+t，f)为高斯窗函数；i为虚数单位。

4.根据权利要求1所述的方法，其特征在于，所述微型卷积神经网络模型，包括三组依次交替设置的卷积层、ReLU非线性激活层和最大池化层；其中，第一组中的卷积层连接输入层，在相邻两组中，一组的最大池化层连接另一组的卷积层；在最后一组中的最大池化层后依次设置全局平均池化层和分类层，以所述分类层的输出作为所述微型卷积神经网络模型的输出。

5.根据权利要求4所述的方法，其特征在于，所述卷积层的卷积核尺寸为3×3，所述最大池化层的池化核尺寸为2×2。

6.根据权利要求1或4所述的方法，其特征在于，定义所述微型卷积神经网络模型的损失函数为交叉熵损失函数；所述交叉熵损失函数为：

其中，y_为真实结果；y为预测结果；n为滚动轴承故障类别数。

7.根据权利要求6所述的方法，其特征在于，在定义所述微型卷积神经网络模型的损失函数后，通过优化器获取最小损失，对所述微型卷积神经网络模型的参数进行更新。

8.一种基于S变换与微型卷积神经网络模型的轴承故障诊断装置，其特征在于，包括：

S变换模块，用于获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；

插值模块，用于对所述二维时频域图像进行双线性插值，将插值后的二维时频域图像划分为训练集和测试集；

训练模块，用于构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；

诊断模块，用于将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。