【技术实现步骤摘要】
本专利技术涉及深度学习及信号识别，特别涉及一种噪声干扰下基于深度学习的轴承故障识别方法。
技术介绍
1、基于传统算法的轴承故障识别方法严重依赖专业知识对原始信号进行处理和特征提取，且故障识别过程非常繁琐；而基于深度学习的轴承故障识别方法在无任何先验知识的条件下自动获取原始振动信号特征，端对端进行故障识别，其强大的特征提取能力可以获得更准确的故障识别结果。
2、研究人员最初利用cnn实现端到端滚动轴承故障检测，以提高故障识别准确率和实时性，之后随着深度卷积网络模型的不断进化，研究者们提出更多的模型并将其应用于轴承故障识别。这些方法取得了一定进步，但是缺乏对实际工况中噪声问题的考虑；一些研究人员将目光移动到噪声条件下轴承故障识别问题，通过各种深度神经网络模型、迁移学习方法、注意力机制及其一系列拓展优化的方法进行噪声情况下的轴承故障识别，但是现有的研究相对较少，识别精度仍有较大改进的空间。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出一种噪声干扰下基于深度学习的轴承故障识别方法。
2、为了实现上述任务，本专利技术采用以下技术方案：
3、一种噪声干扰下基于深度学习的轴承故障识别方法，包括：
4、构建轴承故障振动信号数据集并进行预处理，利用预处理后的轴承故障振动信号数据集对原始cnn模型进行训练，保存训练好的原始cnn模型；
5、构建加噪的轴承故障振动信号数据集并进行预处理；该数据集是在轴承故障振动信号数据集基础上
6、建立轴承故障识别模型；所述模型由编码器、解码器以及训练好的原始cnn模型依次连接构成；利用加噪的轴承故障振动信号数据集对轴承故障识别模型进行训练，保存训练好的轴承故障识别模型用于对未知故障类型的轴承故障信号分类识别。
7、进一步地，所述构建轴承故障振动信号数据集并进行预处理，包括：
8、s11，采集轴承故障振动信号，每一个信号样本包括一段轴承故障振动信号数据；对信号样本进行采样处理，将信号样本转换为离散格式；
9、s12，对采样处理后的每个信号样本进行归一化处理；
10、s13，将归一化后的样本信号采用滑动窗口进行数据分割操作，设置窗口长度，相邻的滑动窗口之间存在部分重叠，从而将样本信号划分成多个信号片段；
11、s14，针对每个划分后的信号片段进行数据重排操作，将一维的信号片段进行升维处理，构建二维灰度图像；每个信号样本最终得到一组对应的灰度图像，同一组信号样本的灰度图像设置相同的标签。
12、进一步地，所述窗口长度为1024，灰度图像大小为32*32。
13、进一步地，所述构建加噪的轴承故障振动信号数据集并进行预处理，具体为：
14、按照s11至s14相同的方法，区别是在s13之前，首先对归一化后的样本信号添加高斯白噪声，添加噪声后的样本数据再进行后续的数据分割、数据重排操作，得到加噪样本信号；通过这样的处理所构建的数据集为加噪的轴承故障振动信号数据集。
15、进一步地，所添加的高斯白噪声的信噪比由强到弱依次为：-4db、-2db、0db、2db和4db，选择其中任意一种添加到样本信号上。
16、进一步地，所述原始cnn模型的结构为：
17、卷积层，卷积核大小3*1，通道16，填充为(1,0)，步长为1；批量归一化层，通道16；激活层；卷积层，卷积核大小1*3，通道16，填充为(0,1)步长为1；批量归一化层，通道16；激活层；最大池化层，池化结果的大小为2*2，步长为2；卷积层，卷积核大小3*1，通道32，填充为(1,0)，步长为1；批量归一化层，通道32；激活层；卷积层，卷积核大小1*3，通道32，填充为(0,1)，步长为1；批量归一化层，通道32；激活层；最大池化层，池化结果的大小为2*2，步长为2；卷积层，卷积核大小3*1，通道64，填充为(1,0)，步长为1；批量归一化层，通道64；激活层；卷积层，卷积核大小1*3，通道64，填充为(0,1)，步长为1；批量归一化层，通道64；激活层；平均池化层，池化结果的大小为1*1。
18、进一步地，所述编码器的结构为：
19、卷积层，卷积核大小3*3，通道64，填充为(1,1)，步长为1；批量归一化层，通道64；激活层；最大池化层，池化结果的大小为2*2，步长为2；卷积层，卷积核大小3*3，通道128，填充为(1,1)步长为1；批量归一化层，通道128；激活层；最大池化层，池化结果的大小为2*2，步长为2；卷积层，卷积核大小3*3，通道128，填充为(1,1)，步长为1；批量归一化层，通道128；激活层；最大池化层，池化结果的大小为2*2，步长为2；卷积层，卷积核大小3*3，通道128，填充为(1,1)，步长为1；批量归一化层，通道128；激活层；最大池化层，平均池化层，池化结果的大小为1*1。
20、进一步地，所述解码器的结构为：
21、转置卷积层，卷积核大小3*3，通道128，填充为(1,1)，输出填充为(1,1)，步长为2；批量归一化层，通道128；激活层；转置卷积层，卷积核大小3*3，通道64，填充为(1,1)，输出填充为(1,1)，步长为2；批量归一化层，通道64；激活层；转置卷积层，卷积核大小3*3，通道64，填充为(1,1)，输出填充为(1,1)，步长为2；批量归一化层，通道64；激活层；转置卷积层，卷积核大小3*3，通道64，填充为(1,1)，输出填充为(1,1)，步长为2；批量归一化层，通道64；激活层。
22、进一步地，所述轴承故障识别模型在训练时的损失函数为：
23、
24、其中，y'k表示预测的故障类别，yk表示加噪样本信号的标签，k表示数据维度，n表示类故障的别数；n表示batch size的大小；表示第i个信号样本的特征向量，表示d维的实数集；yi表示第i个信号样本的类别标签；为权重矩阵；wj、wyi表示w的第j、yi列，bj、byi为对应的偏置，上标t表示转置，e为自然常数。
25、一种终端设备，包括处理器、存储器以及存储在所述存储器中的计算机程序；处理器被计算机执行时，实现所述噪声干扰下基于深度学习的轴承故障识别方法。
26、一种计算机可读存储介质，所述介质中存储有计算机程序；计算机程序被处理器执行时，实现所述噪声干扰下基于深度学习的轴承故障识别方法。
27、与现有技术相比，本专利技术具有以下技术特点：
28、1.提出的基于cnn的轴承故障识别模型，提高了轴承故障识别准确率，克服了传统轴承故障识别方法依赖专业知识且繁琐的问题；
29、2.提出的轴承故障识别模型，提高了噪声干扰下轴承故障识别准确率，克服了实际工况中存在噪声进而影响轴承故障识别准确率的问题；
30、3.提出的数据预处理方法，通过数据归一化、数据分割以及数据重排处理，充分利用了数据内本文档来自技高网...
【技术保护点】
1.一种噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，包括：
2.根据权利要求1所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述构建轴承故障振动信号数据集并进行预处理，包括：
3.根据权利要求2所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述窗口长度为1024，灰度图像大小为32*32。
4.根据权利要求2所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述构建加噪的轴承故障振动信号数据集并进行预处理，具体为：
5.根据权利要求4所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所添加的高斯白噪声的信噪比由强到弱依次为：-4dB、-2dB、0dB、2dB和4dB，选择其中任意一种添加到样本信号上。
6.根据权利要求1所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述原始CNN模型的结构为：
7.根据权利要求1所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述编码器的结构为：
8.根据权利要求1所述的噪声干扰下
9.根据权利要求1所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述轴承故障识别模型在训练时的损失函数为：
10.一种计算机可读存储介质，所述介质中存储有计算机程序；其特征在于，计算机程序被处理器执行时，实现根据权利要求1-9中任一项所述噪声干扰下基于深度学习的轴承故障识别方法。
...【技术特征摘要】
1.一种噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，包括：
2.根据权利要求1所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述构建轴承故障振动信号数据集并进行预处理，包括：
3.根据权利要求2所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述窗口长度为1024，灰度图像大小为32*32。
4.根据权利要求2所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所述构建加噪的轴承故障振动信号数据集并进行预处理，具体为：
5.根据权利要求4所述的噪声干扰下基于深度学习的轴承故障识别方法，其特征在于，所添加的高斯白噪声的信噪比由强到弱依次为：-4db、-2db、0db、2db和4db，选择其中任...
【专利技术属性】
技术研发人员：袁菲，姚忠，荀盼盼，史宇辉，江涵，苏晗，王昌锋，刘畅，冯源，焦旸，邵婷，张祯旖，
申请(专利权)人：西北机电工程研究所，
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。