CN114112398B 一种变速工况下滚动轴承故障诊断方法 （中原工学院）

过对正交方向振动信号的阶谱分析构建不受转传感器测取滚动轴承在不同转速工况时水平方21.一种变速工况下滚动轴承故障诊断方法，采用基于卷积神经网络的智能诊断方法，S1，利用双通道加速度传感器测取滚动轴承在不同S2，对测取的双通道振动信号进行预处理，区分Ipr3其中：x(k)和x'(k)分别表示规范化处理前的每列中第k个数据和规范化(tt)和分别表示每列中最大数据和最小数据；重复步骤上述过程，直到处理完所有采集的振动信号停止，得其中：第1个卷积层的核函数宽度和通道数分别设定为24和3经元的输出和第q个卷积层的第m个神经元的偏值，c和C分别为第q-1个卷积层的通道序号度、跨步步长和池化块中数据的序号，c'q,j为第q个卷积层中第j个池化块的输出,4S6，对步骤S5训练过的一维卷积神经网络进行测试2.根据权利要求1所述的变速工况下滚动轴承故障诊断方法，其特征在于：前述步骤和训练样本的类别总数，tc为经步骤S4搭建的卷积神经网络输出的归属为第c类的类别向个全连接层的各神经元之际的连接权重和偏置，直到目标函数值的变化率<训练停止的目5步骤6.2每个测试样本依次输入到经步骤S5训练的一维卷积神经网络中，得到的输出的测试样本诊断正确数和第c类别的测试样本总数，ηc和η分别为第c类别的诊断正确率和6[0003]申请公布号CN112254964A的发明专利申请公开了一种基于快速多尺度卷积神经试集；将步骤五中的样本测试集输入至步骤四中训练好的快速多尺度卷积神经网络模型，度卷积神经网络模型进行训练，多分支多尺度卷积神经网络模型包括低频分支卷积网络、7[0008]S1，利用双通道加速度传感器测取不同故障类型下的滚动轴承在不同转速工况8骤中会将此阶谱特征矩阵输入到卷积神经网个神经元的输出和第q个卷积层的第m个神经元的偏值，c和C分别为第q-1个卷积层的通道序号和通道总数，o;a为第q-1个卷积层的第c个通道的输出，w,"为第q-1个宽度、跨步步长和池化块中数据的序号，c'q,j为第q个卷积层中第j个池化块的输出,9标类别向量和经步骤4搭建的卷积神经网络输出的类别向量，c和C分别为训练样本的类别出即为每个测试样本的诊断结果。输出的类别向量与该测试样本的目标类别的测试样本诊断正确数和第c类别的测试样本总数，ηc和η分别为第c类别的诊断正确了阶谱特征矩阵中故障特征信息，并可以可视化的观察到提取的主要特征的聚类分布情交方向的振动数据，通过搭建的基于深度学习的卷积神经网络实施高正确率的智能诊断；层卷积神经网络提取阶谱特征中有效故障特征，最后通过全连接神经网络层决策故障类每种故障类别的滚动轴承安装在型号为QPZZ-Ⅱ旋转机械振动故障试验平台上，分别工作[0089]设置重叠长度为300个数据点，将每种故障类型的双通道振动信号重叠截断成若骤中会将此阶谱特征矩阵输入到卷积神经网的核函数宽度和通道数分别设定为12和128；4个卷积层和4个池化层的跨步步长均设定为个神经元的输出和第q个卷积层的第m个神经元的偏值，c和C分别为第q-1个卷积层的通道宽度、跨步步长和池化块中数据的序号，c'q,j为第q个卷积层中第j个池化块的输出,cq,(j-1)×s+i表示在第q个卷积层中第j个池化块内池化操作前的第i个数据值，kur…)标类别向量和经步骤4搭建的卷积神经网络输出的类别向量，c和C分别为训练样本的类别用于卷积神经网络训练的基于一阶梯度的随机目标函数优化算法)对步骤4搭建的一维卷[0137]以步骤5.2选取的训练样本作为输入，对步骤4搭建的一维卷积神经网络进行训出即为每个测试样本的诊断结果。输出的类别向量与该测试样本的目标类别的测试样本诊断正确数和第c类别的测试样本总数，ηc和η分别为第c类别的诊断正确[0150]由此可以看出，本发明诊断方法对变转速工况下的滚动轴承的故