[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

说明书

本发明公开了一种基于维度变换卷积深度森林的轴承故障诊断方法，包括以下步骤：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；利用卷积神经网络提取图片中的特征；更改卷积神经网络的架构；更改深度森林的架构；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；使用训练集训练级联森林；确定验证指标；使用测试集来测试模型的准确率。本发明可以获得比卷积神经网络和深度森林更高的正确率，且在小样本上也能取得更好的准确率。

技术领域

本发明属于机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)人工智能技术领域，尤其涉及一种基于维度变换卷积深度森林的轴承故障诊断方法。

背景技术

旋转机械作为机械系统中的传动装置，广泛应用于航空机械，农业机械和现代机床上，在国民经济生产中具有重要作用。作为机械系统的重要组成部分，旋转设备通常需要在高压、高速、重载等环境下运转，导致旋转机械发生问题的概率大大增加。

轴承作为旋转机械中最关键的零件之一，约30％的旋转机械故障是由轴承故障所导致的。对轴承部件的故障检测为整个机电装置的检测重中之重。由于现代化机电装备规模大，检测点多，传感器检测频率高，设备工作时间长。导致检测系统数据朝着大型化，巨型化发展，数据类型朝着多样化多频率化发展。原本的专家系统，仅靠人力进行检测已经不能满足要求，急需自动诊断的算法。

近几年来，故障诊断算法可分为基于模型的方法，基于数据驱动的方法。其中基于数据驱动的方法符合当前大数据时代，受到了大量工程师的重视。常用基于数据驱动的故障诊断技术有：支持向量机(Support Vector Machine,SVM)，神经网络(ArtificialNeural Network，ANN)，k近邻(k-nearest Neighbor，KNN)等。对于基于大量数据的故障诊断，传统的智能诊断方法模型参数受限，模型表征学习能力较弱，限制了故障诊断的能力。深度神经网络(Deep Learning Network)拥有强大的表征学习能力，已经在机器视觉、医疗保险、航空航天上有成功的应用。近年来，国内外学者也在使用深度学习应用在故障诊断领域中。然而深度学习的超参数过多，学习能力严重依赖于参数的调整。不同参数的影响下神经网络的性能大相径庭。最具有代表性的CNN，为了节省训练的开销，采取的策略是“权值共享(Weight Sharing)”。综上，CNN虽然具有强大的表征学习能力，但是其性能依赖于超参数的选择。为了克服CNN和传统机器学习的缺点，近年来提出的基于决策树集成的深度森林，和深度网络相比，深度森林参数较少，而且适用于小样本学习，相比于CNN中大量参数，深度森林在gini系数，信息增益等理论支持下，可解释性也强于CNN。。

本文提出了一种基于维度变换卷积深度森林的轴承故障诊断方法，由于原始机械振动信号为一维的数据，当前流行的信号预处理方法为快速傅立叶变换(Fast FourierTransform,FFT)、小波变换(Wavelet Transform，WT)和经验模态分解(Empirical ModeDecomposition，EMD)等，而这些需要大量的专家经验，故提出了归一化将振动信号转变为二维灰度图片。然后提出了将CNN中用于特征提取的卷积层和池化层与深度森林中的级联森林所结合的卷积深度森林故障诊断方法。

发明内容

本发明的目的是提供一种基于维度变换卷积深度森林的轴承故障诊断方法，以解决信息提取困难，诊断误差大和预测结果时好时坏等问题。

为实现上述目的，本发明采用如下技术方案：

一种基于维度变换卷积深度森林的轴承故障诊断方法，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(Convolutional Neural Network，CNN)提取图片中的特征；