[发明专利]一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法

说明书

本发明涉及一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，包括以下步骤：1)获取轴承时域振动信号并分为一维向量和二维矩阵两种数据形式；2)将两种数据形式的轴承时域振动信号输入融合卷积神经网络中提取并融合得到故障振动信号特征；3)构建支持向量机进行训练并通过海洋捕食者算法优化其参数；4)将故障振动信号特征输入优化后的支持向量机中进行分类，得到最终的轴承故障类型。与现有技术相比，本发明具有提高特征提取率和故障分类准确率等优点。

技术领域

本发明涉及轴承寿命预测及健康诊断领域，尤其是涉及一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法。

背景技术

滚动轴承如果在机械运行的时候发生故障,将严重影响正常的工作，因此有效解决故障发生的原因,不仅是提高轴承稳健性的重要措施，也是保证工业机械设备正常运行的关键。滚动轴承运行到轴承寿命殆尽的整个过程中，其发生故障的概率也不同。对于具有重要作用的轴承，定时维修是非常不科学的。因此，轴承检测和故障诊断技术的研究和应用受到越来越多研究学者的关注，成为故障诊断领域的研究热点，也成为了保障电机良好运行状况的重要措施。

现有轴承故障诊断技术中，出现了基于机器学习方法和深度学习的方法，机器学习和轴承故障诊断相结合，需要大量的专业知识和复杂的手工特征提取工程，深度学习是自动特征提取，准确率更高，尤其是基于卷积神经网络的轴承故障诊断模型更具有通用性。

但是在现有的技术中存在以下缺点：

第一，在机器学习领域滚动轴承诊断模型操作复杂，需要专业人员进行手动特征提取，这导致研究成本较大；

第二，在深度学习领域轴承故障诊断使用卷积神经网络的模型虽然更普遍和方便，但为了提升准确率需要对CNN进行改进和优化，在CNN模型中分类器的选择也是提高模型准确率的关键。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，用以快速判断轴承的损毁类型和程度，降低因轴承故障造成机器损坏甚至整个系统瘫痪的现象，节省人力和物力，降低因故障而造成的经济损失。

本发明的目的可以通过以下技术方案来实现：

一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，包括以下步骤：

1)获取轴承时域振动信号并分为一维向量和二维矩阵两种数据形式；

2)将两种数据形式的轴承时域振动信号输入融合卷积神经网络中提取并融合得到故障振动信号特征；

3)构建支持向量机进行训练并通过海洋捕食者算法优化其参数；

4)将故障振动信号特征输入优化后的支持向量机中进行分类，得到最终的轴承故障类型。

所述的融合卷积神经网络由一维向量特征提取子网络、二维向量特征提取子网络、特征汇聚层以及两层全连接层，所述的一维向量特征提取子网络包括依次连接的第一输入层、第一卷积层、第一池化层、第二卷积层和第二池化层，所述的二维向量特征提取子网络包括依次连接的第二输入层、第三卷积层、第三池化层、第四卷积层和第四池化层，所述的特征汇聚层分别与第二池化层和第四池化层连接，用以将池化层输出的特征进行融合后输入全连接层中。

所述的步骤3)中，支持向量机的待优化参数包括核参数与惩罚因子。

所述的步骤3)中，通过海洋捕食者算法优化支持向量机的参数具体包括以下步骤：

31)设置海洋捕食者参数，初始化种群；

32)设置支持向量机的待优化参数的取值范围，计算猎物矩阵适应度值，记录最优位置，获取精英矩阵；