本发明专利技术公开了一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，属于旋转机械故障诊断技术领域，包括如下步骤：S1、采集旋转机械在不同健康状态下运行时的原始振动信号；S2、将采集到的原始振动信号利用滑动窗进行分割来构造样本数据集，将样本数据集中的每个样本数据转换为二维图像，并构造训练数据集和测试数据集；S3、利用训练数据集对噪声增强卷积神经网络进行训练，并在训练过程中，通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强；S4、将训练好的噪声增强卷积神经网络用于测试数据集分析，从而得到测试数据的故障诊断结果。本发明专利技术能够增强卷积神经网络模型的泛化性，提高故障诊断的精度。
【技术实现步骤摘要】
本专利技术涉及旋转机械故障诊断，尤其是一种基于噪声增强卷积神经网络的旋转机械故障诊断方法。
技术介绍
1、随着工业的迅猛发展，旋转机械因其可以高效、连续工作的特性，被广泛应用于各类现代生产制造领域。滚动轴承是旋转机械的核心部件，它作为旋转机械中承受载荷、传递运动和维持设备精度的关键组件，在长期工作运行状态下极易产生故障，滚动轴承故障一直是旋转机械产生故障的主要来源，由于滚动轴承的健康状况关系到整个设备的运行状态，滚动轴承的故障诊断与维护成为了确保设备稳定运行的关键环节，对于保障工业生产的顺利进行具有重要意义。
2、随着人工智能的不断发展和硬件计算能力的提升，深度学习在图像处理、语音识别、自然语言处理等领域被广泛应用，滚动轴承故障诊断领域也陆续出现了各种深度学习方法。卷积神经网络、递归神经网络、长短时记忆网络等模型使滚动轴承故障诊断方法越来越多样化和智能化，特别是卷积神经网络凭借其特征提取能力成为滚动轴承故障诊断领域的经典模型。但是，基础模型的应用效果往往不佳，如何对模型进行改进，提升故障诊断性能成为一个亟待解决的问题。
技术实现思路
1、本专利技术需要解决的技术问题是提供一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，通过对卷积神经网络进行改进，能够增强卷积神经网络模型的泛化性，提高旋转机械故障诊断的精度。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，包括如下步骤：
<
p>4、s1、采集旋转机械在不同健康状态下运行时的原始振动信号；5、s2、将采集到的原始振动信号利用滑动窗进行分割来构造样本数据集，将样本数据集中的每个样本数据转换为二维图像，并构造训练数据集和测试数据集；
6、s3、利用训练数据集对噪声增强卷积神经网络进行训练，并在训练过程中，通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强；
7、s4、将训练好的噪声增强卷积神经网络用于测试数据集分析，从而得到测试数据的故障诊断结果。
8、本专利技术技术方案的进一步改进在于：s2中，所述将样本数据集中的每个样本转换成为二维图像，具体为：
9、采用灰度变换将样本数据集中的每个样本数据转换为灰度图像。
10、本专利技术技术方案的进一步改进在于：s3中，所述通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强，包括以下步骤：
11、在每轮训练中，由网络权重参数与训练轮次共同确定噪声强度参数；
12、根据所述噪声强度参数与预设均值参数，生成符合高斯分布的噪声矩阵；
13、将所述噪声矩阵注入到卷积神经网络中对其进行增强。
14、本专利技术技术方案的进一步改进在于：s3中，所述噪声增强卷积神经网络包括：
15、卷积模块：由第一卷积层、第一bn层、第一池化层构成，所述第一bn层的输出经过relu激活后输入所述第一池化层，用于对输入样本数据进行特征提取；
16、卷积加噪模块：由第二卷积层、第二bn层、第二池化层构成，所述第二bn层的输出经过relu激活后注入噪声矩阵输入所述第二池化层；其中，所述噪声矩阵由所述第二卷积层的权重参数与训练轮次确定；
17、并行激活加噪模块：由第三卷积层、第三bn层、第三池化层构成，所述第三bn层的输出注入p个独立同分布的噪声矩阵后分别通过relu激活，将得到的p个特征矩阵的均值矩阵输入所述第三池化层；其中所述p个独立同分布的噪声矩阵由所述第三卷积层的权重参数与训练轮次确定；
18、全连接模块：由两个全连接层构成，用于输出旋转机械故障诊断结果。
19、本专利技术技术方案的进一步改进在于：所述噪声矩阵由所述第二卷积层的权重参数与训练轮次确定，包括以下步骤：
20、所述第二卷积层的每个卷积核所对应的权重张量展平为一维向量，通过全连接层将每个一维向量转化为单值，与训练轮次的比值作为第一噪声强度参数；
21、每个第一噪声强度参数与预设均值参数，生成符合高斯分布的噪声通道；
22、将多个噪声通道拼接为噪声矩阵；其中，所述噪声矩阵通道数与所述第二卷积层的卷积核数相同；所述噪声矩阵的尺寸与所述第二bn层的输出尺寸相同。
23、本专利技术技术方案的进一步改进在于：所述p个独立同分布的噪声矩阵由所述第三卷积层的权重参数与训练轮次确定，包括以下步骤：
24、所述第三卷积层的每个卷积核所对应的权重张量展平为一维向量，通过全连接层将每个一维向量转化为单值，与训练轮次的比值作为第二噪声强度参数；
25、每个第二噪声强度参数与预设均值参数，生成符合高斯分布的噪声通道；
26、将多个噪声通道拼接为噪声矩阵，循环生成p个独立同分布的噪声矩阵；其中，每个噪声矩阵通道数与所述第三卷积层的卷积核数相同；所述每个噪声矩阵的尺寸与所述第三bn层的输出尺寸相同。
27、由于采用了上述技术方案，本专利技术取得的技术进步是：
28、1、本专利技术所提出的旋转机械故障诊断方法，通过注入噪声对卷积神经网络性能进行提升。
29、2、本专利技术设计了一种确定注入噪声的方法，通过网络权重与训练轮次共同确定所注入的噪声，将网络权重参数与注入噪声结合起来，随着训练轮次的增加注入噪声强度降低，不引入另外参数生成噪声。
30、3、本专利技术提出了一种组合加噪方式，在卷积操作和激活函数通过不同的方式注入噪声，使卷积神经网络在分类任务上提升了性能，模型泛化性增强，故障诊断精度提高。
本文档来自技高网...
【技术保护点】
1.一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：S2中，所述将样本数据集中的每个样本转换成为二维图像，具体为：
3.根据权利要求1所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：S3中，所述通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强，包括以下步骤：
4.根据权利要求3所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于： S3中，所述噪声增强卷积神经网络包括：
5.根据权利要求4所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：所述噪声矩阵由所述第二卷积层的权重参数与训练轮次确定，包括以下步骤：
6.根据权利要求4所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：所述P个独立同分布的噪声矩阵由所述第三卷积层的权重参数与训练轮次确定，包括以下步骤：
【技术特征摘要】
1.一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：s2中，所述将样本数据集中的每个样本转换成为二维图像，具体为：
3.根据权利要求1所述的基于噪声增强卷积神经网络的旋转机械故障诊断方法，其特征在于：s3中，所述通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强，包括以下步骤：
4.根...
【专利技术属性】
技术研发人员：李继猛，张诗，张金凤，童凯，孟宗，
申请(专利权)人：燕山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。