[发明专利]一种基于卷积神经网络的转子不平衡故障诊断方法

权利要求书

1.一种基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，包括以下步骤：

步骤一、采集轴心轨迹数据，并与标准轴心轨迹数据进行对比，对所述轴心轨迹数据出现的故障类型进行分析；

步骤二、建立卷积神经网络模型，所述卷积神经网络模型依次包括三层卷积层、池化层、全连接层与Softmax层；

步骤三、将所述轴心轨迹数据按比例划分为训练集与测试集，在所述训练集上对所述卷积神经网络模型进行训练，并利用所述测试集进行测试，进行多轮训练，寻找最优的模型超参数。

2.根据权利要求1所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，步骤一中，在对所述轴心轨迹数据标注时，结合所述轴心轨迹数据与所述标准轴心轨迹数据的特征进行数据标注，综合考虑所述轴心轨迹数据的多种形态。

3.根据权利要求2所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，对多种形态的所述轴心轨迹类型进行区分，标注了11种所述故障类型，标注为1～11号故障。

4.根据权利要求1所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，步骤二中，所述池化层为最大池化层。

5.根据权利要求4所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，所述卷积神经网络模型依次包括：

第一层为所述卷积层，卷积核尺寸为3×3，卷积核个数为32，对应得到32个特征映射；

第二层为所述卷积层，卷积核尺寸为3×3，卷积核个数为64，对应得到64个特征映射；

第三层为所述卷积层，卷积核尺寸为3×3，卷积核个数为128，对应得到128个特征映射；

第四层为所述最大池化层，以2×2的滤波器进行最大池化；

第五层为所述全连接层，输出128维的特征向量；

第六层为所述Softmax层，输出最终的分类结果。

6.根据权利要求5所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，在所述卷积层或所述全连接层之后设置有批归一化层。

7.根据权利要求5所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，所述全连接层引入Dropout。

8.根据权利要求7所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，所述Dropout的概率p＝0.5。

9.根据权利要求1所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，步骤三中，将所述轴心轨迹数据以7:3的比例划分为所述训练集与所述测试集。

10.根据权利要求1所述的基于卷积神经网络的转子不平衡故障诊断方法，其特征在于，步骤三中，在所述训练集上使用反向传播、梯度下降算法对所述卷积神经网络模型进行训练。