權(quán)利要求書(shū)： 1.一種基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，其特征包括以下步驟：A、在采集軸承振動(dòng)信號(hào)后，利用SFA提取其中的固有特征信息；

B、將一維的特征信號(hào)轉(zhuǎn)變?yōu)槎S的圖像信息；

C、劃分訓(xùn)練集和測(cè)試集，定義故障類(lèi)型；

D、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架，初始化網(wǎng)絡(luò)參數(shù)；

E、訓(xùn)練網(wǎng)絡(luò)并使用測(cè)試集檢驗(yàn)。

2.根據(jù)權(quán)利要求1所述的基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，其特征在于：步驟A中，利用SFA提取軸承信號(hào)的固有特征信息的步驟包括，A1、數(shù)據(jù)標(biāo)準(zhǔn)化

m×n

對(duì)整個(gè)數(shù)據(jù)集X(t)∈R ，其標(biāo)準(zhǔn)化如下：其中， 表示均值信號(hào)，σ表示標(biāo)準(zhǔn)差；

A2、數(shù)據(jù)白化

對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)的協(xié)方差矩陣 (<·>表示對(duì)時(shí)間的均值)進(jìn)行SD分解：此時(shí)白化矩陣可以表示為Q＝Ω-1/2UT，則白化后的數(shù)據(jù)是A3、求取慢變特征

求取信號(hào)的一階導(dǎo)數(shù)近似 對(duì) 進(jìn)行SD分解得到：則，得到特征向量W＝QTP，繼而得到慢特征：S(t)＝Z(t)P。

3.根據(jù)權(quán)利要求1所述的基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，其特征在于：步驟B中，一維特征信號(hào)轉(zhuǎn)變?yōu)槎S圖像信號(hào)的方法如下：選取最慢的特征信號(hào)S1(t)，設(shè)置窗口長(zhǎng)度為N，則將每一個(gè)窗口長(zhǎng)度的信號(hào)作為一行，構(gòu)成二維數(shù)據(jù)集。

4.根據(jù)權(quán)利要求1所述的基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，其特征在于：步驟C中，將二維數(shù)據(jù)特征集和與之對(duì)應(yīng)的故障標(biāo)簽作為一個(gè)樣本對(duì)，將全部樣本按照設(shè)定的比例隨機(jī)選擇一部分作為訓(xùn)練集，剩下的作為測(cè)試集；

風(fēng)機(jī)軸承的故障類(lèi)型主要包括內(nèi)圈故障、外圈故障和滾動(dòng)體故障。

5.根據(jù)權(quán)利要求1所述的基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，其特征在于：步驟D中，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架和初始化參數(shù)包括以下主要步驟，卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層、輸出層組成；

D1、輸入層的輸入數(shù)據(jù)即為步驟C中的二維圖像訓(xùn)練集；

D2、卷積層是對(duì)圖像數(shù)據(jù)進(jìn)行卷積運(yùn)算，從而從圖像中提取特征；設(shè)置卷積核大小為3×3，即每個(gè)3×3方陣與卷積核作乘積然后求和；移動(dòng)步長(zhǎng)設(shè)置為1，填補(bǔ)方式設(shè)置為無(wú)填充；激活函數(shù)設(shè)置為Sigmoid函數(shù)：那么整個(gè)卷積層的表達(dá)式如下：

al＝σ(vl)＝σ(al-1*Wl+bl)其中v表示輸入，a表示輸出，上標(biāo)代表層數(shù)，*表示互相關(guān)卷積操作，W表示權(quán)重，b表示偏置，σ表示激活函數(shù)；

D3、利用池化層縮小模型規(guī)模，設(shè)置窗口大小為2×2，移動(dòng)步長(zhǎng)為2，填充方式為無(wú)填充，池化方式設(shè)置為最大池化：qi＝max{ai(k)}

D4、將池化層提取出來(lái)的特征扁平化后連接到一個(gè)全連接層，全連接層的表達(dá)式如下：al＝σ(vl)＝σ(Wlal-1+bl)D5、輸出層通過(guò)Softmax函數(shù)將全連接層的輸出映射為分類(lèi)結(jié)果的置信度，并滿(mǎn)足所有置信度之和為1。

說(shuō)明書(shū)： 一種基于SFA和CNN的風(fēng)機(jī)軸承故障診斷方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及故障診斷領(lǐng)域，主要針對(duì)風(fēng)機(jī)軸承的故障診斷，可以采用基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法。背景技術(shù)[0002] 隨著風(fēng)電機(jī)組的發(fā)電規(guī)模越來(lái)越大，其所面臨的檢修與維護(hù)問(wèn)題也日益突出，齒輪箱作為風(fēng)力發(fā)電機(jī)的重要傳動(dòng)部件，在實(shí)際運(yùn)行中有著很高的故障率，據(jù)統(tǒng)計(jì)約有20％的停機(jī)是由它引起的，而軸承故障是引起齒輪箱失效的主要因素，據(jù)統(tǒng)計(jì)約有76％的齒輪箱故障發(fā)生在軸承部件上，所以研發(fā)針對(duì)風(fēng)機(jī)軸承的故障診斷方法具有重要的現(xiàn)實(shí)意義。[0003] 基于模型的方法由于系統(tǒng)的復(fù)雜性、故障的多樣性、干擾的不確定性而困難重重，難以做到準(zhǔn)確診斷。而基于數(shù)據(jù)驅(qū)動(dòng)的方法只需要利用歷史數(shù)據(jù)和在線(xiàn)運(yùn)行的數(shù)據(jù)即可學(xué)習(xí)對(duì)象特征，實(shí)現(xiàn)故障診斷，且工業(yè)生產(chǎn)過(guò)程中儲(chǔ)存的大量運(yùn)行數(shù)據(jù)滿(mǎn)足了實(shí)施的基本條件。國(guó)內(nèi)外學(xué)者在這一方面做了大量的研究與實(shí)踐。Kankar等人比較了ANN和SM在轉(zhuǎn)子軸承系統(tǒng)故障診斷中的性能，在其實(shí)驗(yàn)研究的案例中結(jié)果表明ANN具有比SM更高的分類(lèi)準(zhǔn)確性；Phuong和Kim提出了一種針對(duì)軸承早期故障的多故障診斷方法，首先對(duì)基于WPT的譜峭度圖提取特征，然后使用LDA選擇鑒別性特征輸入樸素貝葉斯分類(lèi)器對(duì)軸承故障進(jìn)行分類(lèi)；Liu將聲音信號(hào)通過(guò)STFT生成頻譜圖并進(jìn)行歸一化，然后送到基于SAE的雙層DNN中進(jìn)行滾動(dòng)軸承故障診斷；Sohaib等人對(duì)時(shí)域、頻域和時(shí)頻域這三個(gè)領(lǐng)域的特征進(jìn)行融合然后建立SAE-DNN模型實(shí)現(xiàn)軸承故障診斷的功能。

[0004] 基于深度學(xué)習(xí)的方法是當(dāng)前的研究熱點(diǎn)和焦點(diǎn)。本發(fā)明提出了一種基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法。該方法首先利用慢特征分解提取軸承振動(dòng)信號(hào)的最本質(zhì)的特征數(shù)據(jù)，然后將特征集擴(kuò)展為二維圖像序列，利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并訓(xùn)練經(jīng)處理后的數(shù)據(jù)集，最后采用測(cè)試集加以驗(yàn)證。本方法能深入挖掘信號(hào)的本質(zhì)特征，提高故障診斷的準(zhǔn)確率。發(fā)明內(nèi)容[0005] 本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，所述方法能深入挖掘數(shù)據(jù)內(nèi)部的本質(zhì)特征，準(zhǔn)確性高。具體而言，包括以下步驟：[0006] A、在采集軸承振動(dòng)信號(hào)后，利用SFA提取其中的固有特征信息；[0007] B、將一維的特征信號(hào)轉(zhuǎn)變?yōu)槎S的圖像信息；[0008] C、劃分訓(xùn)練集和測(cè)試集，定義故障類(lèi)型；[0009] D、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架，初始化網(wǎng)絡(luò)參數(shù)；[0010] E、訓(xùn)練網(wǎng)絡(luò)并使用測(cè)試集檢驗(yàn)。[0011] 為解決上述技術(shù)問(wèn)題，本發(fā)明所采取的技術(shù)方案如下。[0012] 作為優(yōu)選，步驟A中，利用SFA提取軸承信號(hào)的固有特征信息的步驟包括，[0013] A1、數(shù)據(jù)標(biāo)準(zhǔn)化[0014] 對(duì)整個(gè)數(shù)據(jù)集X(t)∈Rm×n，其標(biāo)準(zhǔn)化如下：[0015][0016] 其中， 表示均值信號(hào)，σ表示標(biāo)準(zhǔn)差。[0017] A2、數(shù)據(jù)白化[0018] 對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)的協(xié)方差矩陣 (<·>表示對(duì)時(shí)間的均值)進(jìn)行SD分解：[0019][0020] 此時(shí)白化矩陣可以表示為Q＝Ω-1/2UT，則白化后的數(shù)據(jù)是[0021] A3、求取慢變特征[0022] 求取信號(hào)的一階導(dǎo)數(shù)近似 對(duì) 進(jìn)行SD分解得到：[0023][0024] 則，得到特征向量W＝QTP，繼而得到慢特征：S(t)＝Z(t)P。[0025] 作為優(yōu)選，步驟B中，一維特征信號(hào)轉(zhuǎn)變?yōu)槎S圖像信號(hào)的方法如下：[0026] 選取最慢的特征信號(hào)S1(t)，設(shè)置窗口長(zhǎng)度為N，則將每一個(gè)窗口長(zhǎng)度的信號(hào)作為一行，構(gòu)成二維數(shù)據(jù)集。[0027] 4.根據(jù)權(quán)利要求1所述的基于慢特征分解(SFA)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的風(fēng)機(jī)軸承故障診斷方法，其特征在于：[0028] 步驟C中，將二維數(shù)據(jù)特征集和與之對(duì)應(yīng)的故障標(biāo)簽作為一個(gè)樣本對(duì)，將全部樣本按照設(shè)定的比例隨機(jī)選擇一部分作為訓(xùn)練集，剩下的作為測(cè)試集。[0029] 風(fēng)機(jī)軸承的故障類(lèi)型主要包括內(nèi)圈故障、外圈故障和滾動(dòng)體故障。[0030] 作為優(yōu)選，步驟D中，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架和初始化參數(shù)包括以下主要步驟，[0031] 卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層、輸出層組成。[0032] D1、輸入層的輸入數(shù)據(jù)即為步驟C中的二維圖像訓(xùn)練集。[0033] D2、卷積層是對(duì)圖像數(shù)據(jù)進(jìn)行卷積運(yùn)算，從而從圖像中提取特征。設(shè)置卷積核大小為3×3，即每個(gè)3×3方陣與卷積核作乘積然后求和。移動(dòng)步長(zhǎng)設(shè)置為1，填補(bǔ)方式設(shè)置為無(wú)填充。激活函數(shù)設(shè)置為Sigmoid函數(shù)：[0034][0035] 那么整個(gè)卷積層的表達(dá)式如下：[0036] al＝σ(vl)＝σ(al-1*Wl+bl)[0037] 其中v表示輸入，a表示輸出，上標(biāo)代表層數(shù)，*表示互相關(guān)卷積操作，W表示權(quán)重，b表示偏置，σ表示激活函數(shù)。[0038] D3、利用池化層縮小模型規(guī)模，設(shè)置窗口大小為2×2，移動(dòng)步長(zhǎng)為2，填充方式為無(wú)填充，池化方式設(shè)置為最大池化：[0039] qi＝max{ai(k)}[0040] D4、將池化層提取出來(lái)的特征扁平化后連接到一個(gè)全連接層，全連接層的表達(dá)式如下：[0041] al＝σ(vl)＝σ(Wlal-1+bl)[0042] D5、輸出層通過(guò)Softmax函數(shù)將全連接層的輸出映射為分類(lèi)結(jié)果的置信度，并滿(mǎn)足所有置信度之和為1。[0043]附圖說(shuō)明[0044] 下面結(jié)合附圖，對(duì)本發(fā)明實(shí)施例作進(jìn)一步詳述。[0045] 圖1是本實(shí)施例的實(shí)驗(yàn)平臺(tái)[0046] 圖2是診斷流程圖[0047] 圖3是采集的信號(hào)的時(shí)域圖[0048] 圖4是二維灰度圖[0049] 圖5是卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)[0050] 本發(fā)明的實(shí)施環(huán)節(jié)以凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承試驗(yàn)臺(tái)的真實(shí)數(shù)據(jù)為例，如圖1所示即為滾動(dòng)軸承實(shí)驗(yàn)平臺(tái)，試驗(yàn)臺(tái)左側(cè)是一臺(tái)2馬力電機(jī)用來(lái)提供動(dòng)力源，中間部位是一個(gè)扭矩傳動(dòng)裝置，右側(cè)則是一臺(tái)負(fù)載電機(jī)同時(shí)作為測(cè)功裝置。[0051] 實(shí)驗(yàn)中加速度傳感器分別安裝在風(fēng)扇端和驅(qū)動(dòng)端附近的電機(jī)外殼上方，部分實(shí)驗(yàn)中也在基座上安裝了傳感器，每秒采樣頻率為12kHz。故障軸承安裝在驅(qū)動(dòng)端或風(fēng)扇端分別進(jìn)行測(cè)試，故障缺陷由電火花加工法制造，且根據(jù)故障位置分為內(nèi)圈、外圈和滾動(dòng)體故障。[0052] 參考圖2的診斷流程，具體的步驟如下：[0053] A、在采集軸承振動(dòng)信號(hào)后，利用SFA提取其中的固有特征信息；[0054] B、將一維的特征信號(hào)轉(zhuǎn)變?yōu)槎S的圖像信息；[0055] C、劃分訓(xùn)練集和測(cè)試集，定義故障類(lèi)型；[0056] D、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架，初始化網(wǎng)絡(luò)參數(shù)；[0057] E、訓(xùn)練網(wǎng)絡(luò)并使用測(cè)試集檢驗(yàn)。[0058] 闡述具體的操作內(nèi)容如下：[0059] 步驟A中，利用SFA提取軸承信號(hào)的固有特征信息的步驟包括，[0060] A1、數(shù)據(jù)標(biāo)準(zhǔn)化[0061] 首先利用傳感器采集滾動(dòng)軸承在設(shè)定狀態(tài)(包括正常和故障)下的振動(dòng)信號(hào)，如圖3所示，展示了負(fù)載為0時(shí)10種狀態(tài)下的時(shí)域波形圖，其中N代表正常狀態(tài)，BF、OF、IF分別代表滾球故障、外圈故障和內(nèi)圈故障，07、14、21三個(gè)數(shù)字則代表了三種故障尺寸。組成數(shù)據(jù)集X(t)∈R1×n，將它進(jìn)行擴(kuò)展，此處將之?dāng)U展為6行，則最終的數(shù)據(jù)集表示為X(t)＝[x1(t),x2(t+1),x3(t+2),x4(t+3),x5(t+4)]∈R6×n，其標(biāo)準(zhǔn)化如下：

[0062][0063] 其中， 表示均值信號(hào)，σ表示標(biāo)準(zhǔn)差。[0064] A2、數(shù)據(jù)白化[0065] 對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)的協(xié)方差矩陣 (<·>表示對(duì)時(shí)間的均值)進(jìn)行SD分解：[0066][0067] 此時(shí)白化矩陣可以表示為Q＝Ω-1/2UT，則白化后的數(shù)據(jù)是[0068] A3、求取慢變特征[0069] 求取信號(hào)的一階導(dǎo)數(shù)近似 對(duì) 進(jìn)行SD分解得到：[0070][0071] 則，得到特征向量W＝QTP，繼而得到慢特征：S(t)＝Z(t)P。[0072] 步驟B中，一維特征信號(hào)轉(zhuǎn)變?yōu)槎S圖像信號(hào)的方法如下：[0073] 選取最慢的特征信號(hào)S1(t)，設(shè)置窗口長(zhǎng)度為N，則將每一個(gè)窗口長(zhǎng)度的信號(hào)作為一行，構(gòu)成二維數(shù)據(jù)集 圖4即為由一維數(shù)據(jù)擴(kuò)展形成的二維灰度圖。

[0074] 步驟C中，將二維數(shù)據(jù)特征集和與之對(duì)應(yīng)的故障標(biāo)簽作為一個(gè)樣本對(duì)，將全部樣本按照設(shè)定的比例隨機(jī)選擇一部分作為訓(xùn)練集，剩下的作為測(cè)試集。[0075] 風(fēng)機(jī)軸承的故障類(lèi)型主要包括內(nèi)圈故障、外圈故障和滾動(dòng)體故障。[0076] 步驟D中，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架和初始化參數(shù)包括以下主要步驟，[0077] 卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層、輸出層組成，其基本結(jié)構(gòu)如圖5所示。[0078] D1、輸入層的輸入數(shù)據(jù)即為步驟C中的二維圖像訓(xùn)練集。[0079] D2、卷積層是對(duì)圖像數(shù)據(jù)進(jìn)行卷積運(yùn)算，從而從圖像中提取特征。設(shè)置卷積核大小為3×3，即每個(gè)3×3方陣與卷積核作乘積然后求和。移動(dòng)步長(zhǎng)設(shè)置為1，填補(bǔ)方式設(shè)置為無(wú)填充。激活函數(shù)設(shè)置為Sigmoid函數(shù)：[0080][0081] 那么整個(gè)卷積層的表達(dá)式如下：[0082] al＝σ(vl)＝σ(al-1*Wl+bl)[0083] 其中v表示輸入，a表示輸出，上標(biāo)代表層數(shù)，*表示互相關(guān)卷積操作，W表示權(quán)重，b表示偏置，σ表示激活函數(shù)。[0084] D3、利用池化層縮小模型規(guī)模，設(shè)置窗口大小為2×2，移動(dòng)步長(zhǎng)為2，填充方式為無(wú)填充，池化方式設(shè)置為最大池化：[0085] qi＝max{ai(k)}[0086] D4、將池化層提取出來(lái)的特征扁平化后連接到一個(gè)全連接層，全連接層的表達(dá)式如下：[0087] al＝σ(vl)＝σ(Wlal-1+bl)[0088] D5、輸出層通過(guò)Softmax函數(shù)將全連接層的輸出映射為分類(lèi)結(jié)果的置信度，并滿(mǎn)足所有置信度之和為1。[0089][0090] 步驟E中，將二維灰度圖作為訓(xùn)練輸入，將標(biāo)簽集作為訓(xùn)練輸出，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。標(biāo)簽集設(shè)置如表1所示。訓(xùn)練好后，輸入測(cè)試集進(jìn)行驗(yàn)證。[0091] 表1標(biāo)簽集設(shè)置[0092][0093] 以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可推想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。