一种基于CNN声发射识别动静态部件间摩擦故障的方法

摘要

本发明适用于摩擦故障检测的技术领域，公开了一种基于CNN声发射识别动静态部件间摩擦故障的方法，其基于一种前馈CNN网络，所述前馈CNN网络是基于有基础Logistic映射神经元的多层感应，所述前馈CNN网络包括前隐层和后隐层两部分，所述前隐层由神经元F和神经元B成对组成，神经元F从上一层接收加权和输出，神经元B从自己本身接收输出，所述后隐层由经元H组成，用以接收相应的神经元F和神经元B，并通过加权函数以最终隐藏输出的方式输出。本发明一种基于CNN声发射识别动静态部件间摩擦故障的方法，步骤简单，能有效避免导致的局部最小值问题，较传统的BP神经网络模型能实现更好的性能，需要与类似理论和相同层数量更少的节点和更短的时间，提高了识别率。

主权项

一种基于CNN声发射识别动静态部件间摩擦故障的方法，其特征在于：其基于一种前馈CNN网络，所述前馈CNN网络是基于有基础Logistic映射神经元的多层感应，所述前馈CNN网络包括前隐层和后隐层两部分，所述前隐层由神经元F和神经元B成对组成，神经元F从上一层接收加权和输出，神经元B从自己本身接收输出，所述后隐层由经元H组成，用以接收相应的神经元F和神经元B，并通过加权函数以最终隐藏输出的方式输出，所述前馈CNN网络由以下方程组成，分别是$h_i^2\left(k\right)=\underset{j=1}{\overset{m}{\Sigma }}{\omega }_{ji}^1{x}_j\left(k\right)+{\omega }_i^T,h_i\left(k\right)=\int \left[h_1{h}_i^1\right(k)+h_2{h}_i^2(k\left)\right],y\left(k\right)=\underset{i=0}{\overset{h}{\Sigma }}{\omega }_i^O{h}_i\left(k\right),$其中：为神经元B的反馈权重，为输入权重，为神经元阈值，为输出权重，具体步骤如下：步骤一、采集AE摩擦信号：从转子系统的摩擦支架上的调节螺钉上采集AE摩擦信号，采样频率为1MHz，将AE摩擦信号分为三个类别，分别是无摩擦信号、轻摩擦信号和重摩擦信号，每一类别有若干个训练样本数据，试验样本的AE摩擦信号数量为若干个，特征参数是由12维倒频谱系数组成；步骤二、设置CNN网络结构：设置单隐层前馈CNN网络，包括输入层、隐藏层和输出层，所述输入层、隐藏层和输出层分别包含若干节点；步骤三、设置训练算法：设置学习速率η、修正重冲击系数α、训练微分和最大训练时间J；步骤四、设置网络初始状态：设置神经元B的反馈权重神经阈值和输出权重设置输入权重的随机分布区间；步骤五、前馈CNN训练：设置隐藏层节点数量和训练时间，通过网络信号计算输出，如果微分小于阈值或者已经达到迭代值，则训练结束；否则，返回至落后阶段，通过推导、输出权重、落后的权重和学习速率，建立正确的优化项，分别修正各项权重，重复前进和后退阶段，直到满足收敛条件；步骤六、CNN识别：将训练后的CNN网络进行旋转机组中动静态部件的摩擦故障识别。