CN115221916B 基于改进gaf及sa的cnn滚动轴承故障诊断方法 （东南大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115221916B(45)授权公告日2025.07.11

(21)申请号202210659742.X

(22)申请日2022.06.13

(65)同一申请的已公布的文献号申请公布号CN115221916A

(43)申请公布日2022.10.21

(73)专利权人东南大学

地址211100江苏省南京市江宁区东南大

学路2号

GO6F18/213(2023.01)

GO6N3/0464(2023.01)

GO6N3/048(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN109902399A,2019.06.18

CN111964908A,2020.11.20

审查员夏冰

(72)发明人邓艾东占可范永胜刘洋董路南王寅杰

(74)专利代理机构北京德崇智捷知识产权代理有限公司11467

专利代理师曹婷

(51)Int.CI.

GO6F18/241(2023.01)权利要求书1页说明书5页附图3页

(54)发明名称

基于改进GAF及SA的CNN滚动轴承故障诊断方法

(57)摘要

CN115221916B本发明公开了一种基于改进GAF及SA的CNN滚动轴承故障诊断方法，涉及轴承故障诊断技术领域，解决了在高噪声环境下轴承故障诊断性能下降的技术问题，其技术方案要点是首先利用改进GAF对采集到的振动信号进行编码，并生成相应特征图，之后将其输入卷积神经网络进行滚动轴承故障特征的提取，并引入适用于卷积神经网络的SA注意力模块实现特征的自适应加权，最后输入到softmax层完成滚动轴承故障分类。该模

CN115221916B

CN115221916B权利要求书1/1页

2

1.一种基于改进GAF及SA的CNN滚动轴承故障诊断方法，其特征在于，包括：

S1:采集滚动轴承振动数据，对所述振动数据进行预处理，得到一维振动数据集；

S2:通过改进GAF将所述一维振动数据集转化成二维图像，将所述二维图像划分为训练集、验证集和测试集；

S3:将所述训练集和所述验证集都输入到GAF-CNN模型，对所述GAF-CNN模型的初始参数进行设置，通过所述训练集对所述GAF-CNN模型进行训练，当所述GAF-CNN模型迭代收敛时，完成网络训练，保存网络参数，得到训练完成的GAF-CNN模型；将所述验证集输入到训练完成的GAF-CNN模型验证准确率，若验证集准确率达到预设标准，则转至步骤S4,否则重复步骤S3,直至验证集准确率达到预设标准；

S4:将所述测试集输入到训练完成的GAF-CNN模型，得到测试集准确率，完成故障诊断；

其中，所述GAF-CNN模型包括卷积神经网络和SA注意力模块，所述卷积神经网络包括四个级联的卷积池化模块和一层全连接层；所述SA注意力模块设在最后一级卷积池化模块和全连接层之间；

所述改进GAF表示为：

其中，x;表示时序数据的第i个值，对于矩阵元素Gi,jlli-j=k),当k=0时，主对角线G,由缩放后的时间序列的原始值构成。

2.如权利要求1所述的故障诊断方法，其特征在于，所述步骤S2中，将所述一维振动数据集转化成二维图像之前，采用分段聚合近似方法先对所述一维振动数据集进行降维，然后将降维后的所述一维振动数据集转化成二维图像。

3.如权利要求1所述的故障诊断方法，其特征在于，所述训练集、所述验证集和所述测试集的比例为60%、15%和25%;通过Adam优化器进行训练，其学习率为0.001,mini-batch大小为64;损失函数为交叉熵损失函数。

CN115221916B说明书1/5页

3

基于改进GAF及SA的CNN滚动轴承故障诊断方法

技术领域

[0001]本申请涉及轴承故障诊断技术领域，尤其涉及一种基于改进GAF及SA的CNN滚动轴承故障诊断方法。

背景技术

[0002]滚动轴承作为旋转设备重要部件，经常在高负