基于SFA和CNN的風(fēng)機軸承故障診斷方法

權利要求書(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)信號后，利用SFA提取其中的固有特征信息；B、將一維的特征信號轉變?yōu)槎S的圖像信息；C、劃分訓練集和測試集，定義故障類(lèi)型；D、構建卷積神經(jīng)網(wǎng)絡(luò )框架，初始化網(wǎng)絡(luò )參數；E、訓練網(wǎng)絡(luò )并使用測試集檢驗。2.根據權利要求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提取軸承信號的固有特征信息的步驟包括，A1、數據標準化m×n對整個(gè)數據集X(t)∈R ，其標準化如下：其中， 表示均值信號，σ表示標準差；A2、數據白化對標準化后的數據的協(xié)方差矩陣 (<·>表示對時(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，則白化后的數據是A3、求取慢變特征求取信號的一階導數近似 對 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.根據權利要求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)機軸承故障診斷方法，其特征在于：步驟B中，一維特征信號轉變?yōu)槎S圖像信號的方法如下：選取最慢的特征信號S1(t)，設置窗口長(cháng)度為N，則將每一個(gè)窗口長(cháng)度的信號作為一行，構成二維數據集。4.根據權利要求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)機軸承故障診斷方法，其特征在于：步驟C中，將二維數據特征集和與之對應的故障標簽作為一個(gè)樣本對，將全部樣本按照設定的比例隨機選擇一部分作為訓練集，剩下的作為測試集；風(fēng)機軸承的故障類(lèi)型主要包括內圈故障、外圈故障和滾動(dòng)體故障。5.根據權利要求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)機軸承故障診斷方法，其特征在于：步驟D中，構建卷積神經(jīng)網(wǎng)絡(luò )框架和初始化參數包括以下主要步驟，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、輸入層的輸入數據即為步驟C中的二維圖像訓練集；D2、卷積層是對圖像數據進(jìn)行卷積運算，從而從圖像中提取特征；設置卷積核大小為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(cháng)設置為1，填補方式設置為無(wú)填充；激活函數設置為Sigmoid函數：那么整個(gè)卷積層的表達式如下：al＝