一种时间序列的轴承故障诊断多层卷积特征提取分类方法

1.本发明属于基于深度学习的分类方法领域，尤其涉及一种时间序列的轴承故障诊断多层卷积特征提取分类方法。


背景技术：

2.深度学习技术不是单一的算法，而是一种具有深度结构的神经网络。深度学习算法能够自适应地从原始数据中提取代表性特征，捕获数据的内在信息，对先验知识和诊断专业知识依赖性更低。在实际生产应用环境中，时间序列数据的特征及形态往往是多种多样的，传统的深度学习方法并不能高效准确的提取数据中有用的特征信息。


技术实现要素：

3.本发明提供一种时间序列的轴承故障诊断多层卷积特征提取分类方法，通过深度学习算法强大的网络结构，在特征提取和分类方面取得令人满意的效果。
4.本发明采用的技术方案是：包括下列步骤：
5.步骤1，对轴承时间序列数据进行数据规整处理，使数据点之间具有相同的时间间隔，得到矩阵
6.矩阵a的行代表不同的样本，列代表每个样本的特征；
7.步骤2，对处理后的时间序列数据，依次通过五层卷积网络进行特征提取；
8.步骤3，依据步骤2提取到的特征矩阵，初始化特征矩阵的权重矩阵，得到初始权重矩阵b；
9.步骤4，通过训练得到最终权重矩阵b'，并对最终权重矩阵进行归一化得到
10.步骤5，通过将归一化后得到的权重矩阵对步骤2提取到的特征矩阵进行加权得到矩阵c，之后进行求和，将加权求和后的结果，输入全连接神经网络进行轴承故障分类。
11.本发明所述步骤2中通过长度为f的一维卷积核进行卷积运算，其中卷积后所得到的特征向量组成的输出矩阵的运算公式为：
12.y＝(x-f 2p)/s 1
13.输出矩阵大小为y、输入矩阵大小为x、卷积核大小为f、步长为s、padding填充为p。
14.本发明所述步骤2中在依次进行五层卷积运算进行特征提取时，在第一层卷积时使用初始特征矩阵a进行输入，卷积后的特征矩阵a1作为输出；在第二层卷积时使用第一层输出特征矩阵a1作为输入，卷积后的特征矩阵a2作为输出，但是将输出的特征维度进行扩大；在第三层卷积时使用第二层输出特征矩阵a2作为输入，卷积后的特征矩阵a3作为输出,并将特征维度缩小至初始维度；在第四层卷积时使用第三层输出特征矩阵a3作为输入，卷积后的特征矩阵a4作为输出,并将输出的特征维度进行扩大；在第五层卷积时使用第四层
输出特征矩阵a4作为输入，卷积后的特征矩阵a5作为输出,并收缩至初始维度；通过扩张特征向量维度来使特征信息更加丰富，通过收缩维度来剔除部分无用的信息。
15.本发明所述步骤3中将得到的特征矩阵a5进行线性变换，将线性变换的权重矩阵weight与特征矩阵a5进行矩阵相乘，得到初始权重矩阵：
[0016][0017]
本发明所述步骤4中通过tanh激活函数进行权重矩阵b的训练，得到最终权重矩阵并通过softmax函数对得到的权重矩阵进行归一化，归一化后矩阵记为
[0018]
本发明所述步骤5中将归一化后的权重矩阵与第五层卷积后的输出特征a5进行加权，加权后矩阵对矩阵c按行求和,然后通过全连接神经网络进行轴承故障诊断六分类任务。
[0019]
本发明通过对轴承时间序列数据进行多层卷积来获得数据的特征。卷积神经网络一般应用于图像处理方面，而本发明将卷积应用于一维时间序列数据特征提取中，利用卷积的局部感知特性，通过多层卷积将提取到的特征高度抽象化，从而使特征向量更加全局化，以保存时间序列数据的全局性。针对多层卷积后高度抽象的特征向量，本发明通过tanh激活函数训练特征向量的权重矩阵，之后通过对特征矩阵的加权求和，保留有用特征，剔除无效特征，大大提升了工作效率，并进一步的提高了对于时间序列数据分类结果的准确性。
[0020]
本发明优点是：1)可替代传统人工依靠自身经验对数据特征进行判断，提高工作效率；2)通过训练自主学习特征向量的权重，对数据进行更加全面的分析，极大程度的减少了特征冗余和特征丢失；3)通过多层卷积进行特征提取，采用模型自主学习的权重进行特征加权融合分类，可以大幅度提高数据分类的速度和分类结果的准确率。
附图说明
[0021]
图1是本发明的流程图；
[0022]
图2是本发明卷积流程图；
[0023]
图3是本发明实验结果折线图。
具体实施方式
[0024]
如图1所示，包括下列步骤：
[0025]
步骤1，首先对凯斯西储大学(cwru)滚动轴承数据中心提供的数据集进行数据预处理，通过长度为200的滑动窗口对数据进行取值，并对得到的样本进行标签标记；
[0026]
作为一种较优实施方式，针对样本的标签，由于轴承的故障类型分为外圈故障、内圈故障和滚珠体故障，每个故障模式包括两种不同的故障严重程度(0.007英寸缺陷和
0.014英寸缺陷)，所以将数据标签分为六类分别为：b7，b14，i7，i14，o7，o14；经过步骤1处理后的矩阵为由于滑动窗口长度为200，batch_size大小为64，所以此处n＝200，m＝64；
[0027]
步骤2，将得到的样本矩阵依次通过五层长度为10的卷积核进行卷积运算；
[0028]
作为一种较优实施方式，通过卷积核长度为10的一维卷积核进行卷积运算，其中卷积后所得到的特征向量组成的输出矩阵的运算公式为：
[0029]
x＝(n-f 2p)/s 1
[0030]
输出矩阵大小为x、输入矩阵大小为n、卷积核大小为f、步长为s、padding填充为p，以单个样本为例第一层卷积后结果为(200-10 2*0)/1 1＝191，后面四层卷积结果依次类推；
[0031]
作为一种较优实施方式，在依次进行五层卷积运算进行特征提取时，在第一层卷积时使用初始特征矩阵a进行输入，卷积后的特征矩阵a1作为输出，卷积核个数为16，输出特征维度变换；在第二层卷积时使用第一层输出的特征矩阵a1作为输入，卷积后的特征矩阵a2作为输出，但是通过增加卷积核个数到32将输出的特征维度进行扩大；在第三层卷积时使用第二层输出的特征矩阵a2作为输入，卷积后的特征矩阵a3作为输出，并减少卷积核个数为16将特征维度缩小至初始维度；在第四层卷积时使用第三层输出特征矩阵a3作为输入，卷积后的特征矩阵a4作为输出，并将卷积核个数增加到32，输出的特征维度进行扩大；在第五层卷积时使用第四层输出特征矩阵a4作为输入，卷积后的特征矩阵a5作为输出，并将卷积核个数减少到16，特征维度收缩至初始维度；通过扩张特征向量维度来使特征信息更加丰富，通过收缩维度来剔除部分无用的信息，卷积过程如图2所示，具体公式如下：
[0032][0033]
步骤3，通过卷积层输出的特征向量结合全连接神经网络初始化权重矩阵；
[0034]
作为一种较优实施方式，将得到的特征矩阵a5进行线性变换，将线性变换的权重矩阵weight与特征矩阵a5进行矩阵相乘，得到初始权重矩阵
[0035]
步骤4，通过训练得到最终权重矩阵，并对最终权重矩阵进行归一化；
[0036]
作为一种较优实施方式，通过tanh激活函数进行权重矩阵b的训练，得到最终权重
矩阵并通过softmax函数对得到的权重矩阵进行归一化，归一化后矩阵记为
[0037]
步骤5，通过将归一化后得到的权重矩阵对特征向量进行加权求和，将加权后的结果输入全连接神经网络进行轴承故障分类；
[0038]
将归一化后的权重矩阵与第五层卷积后的输出特征a5进行加权，加权后矩阵对矩阵c按行求和，然后通过全连接神经网络进行轴承故障诊断六分类任务。
[0039]
在实现六分类的过程中采用三折交叉验证的方法，将数据集平均分成三等份，每次选取其中的两份作为训练集，一份作为测试集，进行三次实验，选取三次实验的平均结果作为最终准确率。
[0040]
实验结果如图3所示，通过三折交叉验证的方法得到的训练集的平均准确率为98.55％，测试集的平均准确率为97.32％。
[0041]
显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。