[发明专利]一种基于维度变换卷积深度森林的轴承故障诊断方法

权利要求书

1.一种基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：包括以下步骤：

步骤a，针对轴承振动信号进行预处理，将振动信号归一化，存储成二维的灰度图片；

步骤b，利用卷积神经网络提取图片中的特征；

步骤c，更改卷积神经网络的架构，将CNN末端用于分类的归一化指数函数去除；

步骤d，更改深度森林的架构，将深度森林中多粒度扫描去除，保留级联森林；

步骤e，使用级联森林结构代替CNN中的SoftMax层，构建卷积深度森林故障诊断模型，将上层更改的CNN提取到的特征输入，使用级联结构让深度森林做故障诊断；

步骤f，使用训练集训练级联森林，整个级联森林的性能将采用k折交叉验证的方法，每一层结束后都会做一个性能测试，然后继续生成下一层，扩展一个新的级后，整个级联的性能会在验证集合上估计，如果没有显著的性能增益，将会停止训练过程；

步骤g，确定验证指标；

步骤h，使用测试集来测试模型的准确率。

2.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤a中，首先将原始信号归一化，数值为图片像素的边界值内，图片的像素值范围为0-255，设取得一个M×M大小的图片，需要在原始振动信号上取一个长度为M²的序列，使用L(i),i∈0,M²]代表序列上的振动信号值，单一像素值归一化公式为其次是将信号转换成图片，使用P(j,k),j,k∈(0,M²]代表图片上的像素值，像素值的公式为

3.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤b中，卷积过程如公式式中：为第l层的第i个元素，为对应卷积核的权重，f(.)为激活函数，为偏置项。为减少数据量在连续的卷积层中加入池化层；池化层过程如公式为第l层为池化层，l-1层为卷积层，pooling为池化操作，为第l层第j个特征的权值，经池化层后，数据量会显著减小。

4.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤c中，卷积神经网络的架构为5个卷积层、2个最大池化层和1个全连接层，全连接层dropout设为0.5，激活函数为线性整流函数(Rectified Linear Unit，Relu)，去除最后一层SoftMax函数，公式为

5.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤d中，修改深度森林的架构，卷积神经网络作为模型的数据特征提取，深度森林中的MGS和修改卷积神经网络的功能重复，且MSG会产生大量冗余的数据，所以去除。

6.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤e中，将卷积神经网络和深度森林结合起来，卷积神经网络做二维图片的表征学习，深度森林中的级联森林做故障诊断。

7.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤f中，每一层都由多个森林集成，森林本身是决策树集成；每一层都由两种不同的森林构成：随机森林，完全随机森林，两种森林不同之处主要是在于其特征空间不同，子树的分裂不同，随机森林是在一个随机特征子空间内通过基尼系数系数来选取分裂节点，而完全随机森林则是在完整的特征空间中随机选取特征来分裂；每层都有两个随机森林，两个完全随机森林。

8.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤g中，验证标准指标采用准确率(Accuracy)和精确率(Precision/TPR)。TruePositives(TP，正类判定为正类)，False Positives(FP，负类判定为正类)，FalseNegatives(FN，正类判定为负类)，True Negatives(TN，负类判定为负类)；准确率为所有预测正确占总的比重，公式为：精确率为所有被预测为正的样本实际为正的比值，公式为：