CN111539152B - 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 - Google Patents

Abstract

本发明公开了一种基于两级孪生卷积神经网络的滚动轴承故障自学***台采集的滚动故障数据，结果表明该方法在不完备数据建模的情况下，不仅能完成故障类型与损伤等级的准确划分，而且还能实现故障自学习和故障库自增长，增强了分类过程的智能性。

Description

一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法

技术领域

本发明是一种滚动轴承故障智能诊断方法，尤其针对当前工业生产中大量的无标签数据，传统模式识别的方法很难建立有效的诊断模型这一问题时，应用此方法不仅可以实现轴承故障的准确分类还能实现模型的自学习，增强了分类过程的智能型。

背景技术

随着现代工业的快速发展，为满足当今社会的生产需求，国内外机械设备朝着智能化、复杂化、自动化、精密化、高速化的方向发展迅猛发展，从而使各个元器件之间的联系更加紧密，加上其复杂的工作环境，机械设备极易发生故障，且运行维护困难，一些关键部位的故障会引起整个设备的正常运行，从而造成重大的财产损失和人员伤亡。

滚动轴承作为机械设备的常用元件，不仅在工业生产中发挥着重要的作用，在日常生活中也承担着不可忽视的作用，由于滚动轴承长时间处在在高速旋转、交变荷载、高温的运行环境中，使之成为机械设备中最容易发生故障的部件。据相关数据统计，机械设备故障中有40％的故障是由轴承故障引起的，因此对滚动轴承进行准确的故障识别与分类，能有效地避免重大事故发生，降低维修成本，据统计，通过对滚动轴承进行故障诊断与识别，可降低25％-50％的维修费用和75％的事故发生率，从而最大限度的发挥轴承的工作潜力，节约开支。传统的滚动轴承故障诊断方法主要有小波分析法、支撑向量机、神经网络等方法，而现场得到的轴承故障数据通常是不完备和无标签的。随着信息采集***应用的扩展，大型轴承状态监测的广度和深度不断加强，生成的数据呈海量特征。然而特征提取过程是一项费时费力的工作，并且对最终结果影响很大。传统特征提取与选择的方法具有一定的复杂性和不确定性，这些问题造成现场大量数据得不到有效利用。而以卷积神经网络(ConvolutionalNeural Networks,CNN)为代表的深度网络提供了一种能够自动提取原始数据特征的有效方法，可以解决数据量大、特征提取困难等问题。本发明将CNN与孪生结构相结合，提出了基于相似度度量的孪生结构CNN(S-CNN)的半监督自学习网络，对于未经训练的滚动轴承新故障、新损伤等级，在目标空间中，S-CNN会使其与已知等级或故障快速分离，并与同种等级或故障快速聚合，最终产生新故障或新损伤等级，解决故障自学习的问题。对于解决当前工业生产中大量无标签故障数据的分类具有较好的实际意义。

发明内容

本发明针对现场获取的故障数据往往是不完备和无标签的，导致传统模式识别的方法很难建立有效的诊断模型，提出了一种基于两级孪生卷积神经网络(SiameseConvolutional Neural Networks,S-CNN)的滚动轴承故障自学习方法，如图1所示，是本发明算法总体框图，该方法总体描述如下：首先将相似度度量的孪生结构与CNN相结合，构建S-CNN网络结构；。然后，基于构造的S-CNN网络结构，建立第一级故障类型识别网络S-CNN1：(1)利用形态学增强脉冲特征去除部分噪声；(2)应用S变换将信号故障类型共性特征进行提取，构造时频图；(3)将时频图样本输入到第一级S-CNN中，对其进行训练，最终形成第一级故障类型识别网络S-CNN1(训练好的网络利用网络在目标空间对同类型故障汇聚、不同类型故障分离特性，可实现滚动轴承故障类型的识别与自学习)；最后，建立第二级故障损伤程度分类网络S-CNN2：(1)应用具有滑动窗的短时傅里叶变换(STFT)将同类型故障不同损伤程度的差异性进行放大，得到滑动时频图样本；(2)将得到的时频图样本时频图样本输入第二级S-CNN中，对其进行训练，最终形成第二级故障损伤程度分类网络S-CNN2(训练好的网络是基于目标空间距离的分类器，可实现故障损伤程度的自学习和自增长)。

本发明的具体技术方案和实现步骤如下：

1、将孪生结构与CNN结合，构建S-CNN网络结构

本发明的第一步是构建孪生结构与卷积神经网络(CNN)相结合的网络结构(S-CNN)，其结构如图10所示。这其中，所构建的S-CNN结构本质上是一种相似性度量的方法。由图10可知，其输入为两幅时频图x₁和x₂，在模型训练的时候，他们具有已知标签Y(其中Y是一个二值标签(0或1))。当输入的时频图x₁和x₂属于同一类时，Y＝0；否则，Y＝1，该标签用于网络训练之用。之后，Gw(x₁)和Gw(x₂)分别为x₁和x₂经过两个CNN网络的对应输出，该网络将x₁和x₂映射到低维空间中的两个点。这其中，w为两个CNN网络待学习的共享参数。之后，将两个网络的输出Gw(x₁)和Gw(x₂)进行运算得到一个相似性度量指标Ew，将该指标称为“能量函数”。该能量函数Ew(x₁,x₂)可定义如下：

Ew(x₁,x₂)＝||Gw(x₁)-Gw(x₂)|| (1)

以上即为所构建的S-CNN，基本结构，之后可以通过输入不同的训练样本来训练不同的S-CNN网络，使之具有不同的分类或识别功能。具体来说，在第二步中，输入部分滚动轴承不同故障类型样本训练S-CNN1网络，使之成为识别轴承故障类型的网络并具有自学习功能；在第三步中，输入部分滚动轴承相同故障类型不同故障损伤等级的样本训练S-CNN2网络，使之成为识别轴承故障损伤等级的网络并具有自学习功能。最后，S-CNN网络训练过程，主要依据反向传播(BackPropagation,BP)逐层训练网络参数的方法，整个S-CNN网络输出张成一个目标空间，而网络最后输出值为目标空间中的位置。

2、建立第一级S-CNN1故障类型自学习网络

(a)数据预处理：假设有一种未知故障类型X和若干已知故障类型X_i(i≥2)，将所有原始振动信号进行数学形态学滤波，去除部分背景噪声，对数据按照每组Q个采样点进行分割作为输入样本；之后每组均进行S变换处理得到每组振动数据对应包含时域与频域信息的时频图，然后把时频图转换成n×n的矩阵。取所有信号数据的80％作为训练集数据，20％作为测试集数据。

(b)参数选择：选取网络参数，第一级S-CNN1网络采用的两个相同CNN网络参数选择如下：选取5层卷积网络，第一层16个卷积核，第二层32个卷积核，第三层64个卷积核，第四层128个卷积核，第五层256个卷积核，卷积核大小为5×5，优化算法选取Adam，Adam对超参数(学习率、正则化系数等)的选择很好鲁棒性，最大训练次数为4000次。

(c)训练过程：网络参数确定好之后，把步骤(a)中训练集的时频图(n×n矩阵)作为S-CNN1的输入，计算相应的Gw(x₁)、Gw(x₂)和能量函数Ew(x₁,x₂)，并利用训练集的已知标签Y对S-CNN网络结构进行训练。其中训练过程主要依据反向传播(BP)逐层训练网络各层的参数，最终获得训练好的网络结构S-CNN1。

详细训练过程如下：首先定义一个损失函数l，该损失函数的大小通过“能量函数Ew”仅与网络的输入和参数有关，该损失函数l的定义为：

L(W,(Y,x₁,x₂)ⁱ)＝(1-Y)L_G(E_W(x₁,x₂)ⁱ)+YL_I(E_W(x₁,x₂)ⁱ) (3)

L_G(E_W(x₁,x₂)ⁱ)＝||Gw(x₁)-Gw(x₂)||₂ (4)

其中(Y,x₁,x₂)ⁱ代表第i个样本对，(Y,x₁,x₂)ⁱ包含一对图像和一个已知标签Y，L_G代表损失函数当Y＝0(真对)的部分，L_I代表损失函数当Y＝1(假对)的部分，P表示训练样本的数量。设计这样的L_G和L_I，目的使为了降低真对的能量，增加假对的能量，依据反向传播(BP)逐层训练，使l的能量最小化，当l的能量最小时，训练结束，此时的网络各层参数已训练好。

(d)测试与自学习过程：网络训练好之后，把步骤(a)中测试集时频图(n×n矩阵)作为步骤(c)中训练好的S-CNN1的输入，每种故障振动信号的时频图通过S-CNN1最后一层都会得到一个映射到目标空间的坐标值(x,y)，由孪生结构的原理可知同一类型故障会在目标空间越来越近，而不同类型故障则越来越远。训练4000次后，最终，两类故障会在目标空间汇聚成各自不重合的两簇，完成网络对不同特征的学习过程。计算训练集每种类型故障在目标空间集合的质心，第i类在目标空间的质心记为T_trainC_i。

(e)每一类在目标空间的最小聚类半径(T_M_min)是一个非常重要的参数，它直接影响到分类与故障自增长结果的好坏。根据具有噪声的基于密度聚类方法(Density-BasedSpatial Clustering of Applications with Noise,DBSCAN)的散点图确定半径T_M_min的值。

(f)将测试集数据通过S-CNN1映射到目标空间，得到测试集在目标空间坐标，计算测试集质心记为T_testC。求测试集的T_testC与训练集中T_trainC_i之间的欧式距离，当T_testC与第i类故障的T_trainC_i之间的距离小于T_M_min，则判定测试集中未知故障属于训练集中第i类故障类型；当T_testC与训练集中所有的T_trainC_i之间的距离都不小于T_M_min，则判定测试集中未知故障属于新故障类型，从而实现故障类型的分类与自学习过程。

3建立第二级S-CNN2故障损伤等级自学习网络

(a)数据预处理：对已识别故障类型(即经过S-CNN1网络识别的数据)的样本将其还原为原始振动信号数据，接下来要进行故障损伤等级判别与自学习。首先对这些数据进行重叠分段预处理，对数据按照每段Q个采样点进行分割作为输入样本；之后每段均进行STFT变换处理得到每组振动数据对应包含时域和频域信息的时频图，然后对时频图进行压缩，转换成n×n的矩阵。

(b)参数选择：选取网络参数，第二级S-CNN2网络采用的两个相同CNN网络参数选择如下：本级CNN中选取3层卷积网络，第一层64个卷积核，第二层128个卷积核，第三层256个卷积核，卷积核为3×3，优化算法选取Adam Optimizer且最大训练次数为20000次。

(c)训练过程：网络参数确定好之后，把步骤(a)中训练集的时频图(n×n矩阵)作为S-CNN2的输入，计算相应的Gw(x₁)、Gw(x₂)和能量函数Ew(x₁,x₂)，并利用训练集的已知标签Y对S-CNN网络结构进行训练。其中训练过程主要依据反向传播(BP)逐层训练网络各层的参数，最终获得训练好的网络结构S-CNN2。整个训练过程与S-CNN1网络训练过程相似，不再赘述。

(d)测试与自学习过程：确定网络结构之后把步骤(1)中测试集n×n的矩阵作为S-CNN2的输入，每种故障振动信号的时频图通过S-CNN2最后一层都会得到一个映射到目标空间的坐标值(x,y)。训练20000次后，计算训练集每种故障程度在目标空间集合的质心，第i类在目标空间的质心记为L_trainC_i。

(e)与上一级网络类似，依据DBSCAN的散点图确定半径第二级网络L_M_min的值。

(f)将测试集数据通过S-CNN2映射到目标空间，得到测试集在目标空间坐标，计算测试集质心记为L_testC。求测试集的L_testC与训练集中L_trainC_i之间的欧式距离，当L_testC与第i类损伤程度L_trainC_i之间的距离小于L_M_min，则判定测试集中未知故障属于第i类损伤程度；当L_testC与训练集中所有的损伤程度之间的距离都不小于L_M_min，则判定测试集中未知故障属于新类型损伤程度，从而实现故障损伤程度的分类与自学习的过程。

有益效果

本发明总体算法流程图如图2所示。本发明针对现场获取的故障数据往往是不完备和无标签的，导致传统模式识别的方法很难建立有效的诊断模型，因此本发明给出了一种基于两级S-CNN的滚动轴承故障智能学习方法，该方法对于解决当前工业生产中的数据自学习问题给出较好的解决方案，具有一定实用价值。

附图说明

图1算法总体框图。

图2总体算法流程图。

图3形态学滤波处理过程。

图4原始信号的S变换时频谱图。

图5原始信号形态学滤波后做S变换得到的时频图。

图6 S-CNN1各个故障映射到目标空间的结果部分结果。

图7原始数据做STFT后得到的时频图。

图8 S-CNN2各个故障映射到目标空间的部分结果。

图9 S-CNN2各个故障映射到目标空间的部分结果。

图10相似性度量的孪生结构示意图。

具体实施方式

以下结合附图和实施例对本发明进行详细描述。

为表明本方法的有效性，采用轴承故障实验平台采集数据进行算法验证，该实验针对一台两马力的电机轴承，其型号为6205-2RS JEM SKF。通过电火花加工技术，分别在轴承的滚动体、内圈和外圈上布置了单点故障，故障损伤等级包括0.007inch、0.014inch和0.021inch，经电动机驱动端的轴承座上放置的加速度传感器来采集故障轴承的振动加速度信号，采样频率为12kHz，实验数据如表1所示。

表1轴承故障数据

1、故障类型分类模型自学习

首先定义level_1、level_2和level_3分别代表损伤尺寸为0.007in、0.014in和0.021in的滚动轴承故障。采用大写字母I、O和B分别代表内圈、外圈和滚珠故障类型，如I_level_1代表损伤程度0.007inch的内圈轴承故障，而N表示轴承正常状态，后续表达与此相似，不再赘述。验证故障类型自学习时，构造数据集如下：使用不完备数据训练，每组实验任意选取两种故障作为已知种类，并在每组中设计不同实验，每次实验任选一种故障作为未知故障，通过判定结果确定该故障属于已知故障还是属于未知故障新类型。表2给出了各组及各实验所选故障种类组合。

表2故障类型分类自增长实验分组

如图3所示，为振动信号做形态学开运算的滤波结果，上半部分虚线为原始信号，下半部分实线为滤波之后的信号。由图可以发现形态开运算为信号的下包络，利用形态滤波器可以有效的增强信号的脉冲特征，同时抑制部分噪声。如图4，为3种原始故障数据做S变换后得到的时频图。由图4可知，同种故障类型信号经S变换后频谱图之间存在相似性，但是由图可以发现内圈(图4(d))和外圈(图4(f))的时频图中脉冲波形有相似性，显然对后面的分类识别会造成一定的误判。为解决这一问题，在S变换之前添加了形态学滤波，去除部分噪声的干扰。由图5可以看出，形态学滤波之后再做S变换得到频谱图，同种故障有较强的相似性，不同故障具有较大的差异性。因此，有必要在S变换前增加形态学滤波预处理。

接下来以组2实验为例进行分析，组2中训练集为B_level_1和O_level_1，其在目标空间分类结果如图6所示。图6a表示测试集为B_level_1(实验7)和O_level_1(实验8)在最后一层网络的输出，图中右上角为O_level_1在目标空间所处的位置，左下角为B_level_1的位置，可以看出S-CNN1具有对同类故障汇聚不同类故障分离的特性。图6a中均为对故障数据用上文提到的预处理方法后得到的频谱图，为了更方便识别，用数字来代替各个故障的时频图，其中数字“2”代表B_level_1,数字“4”代表O_level_1，图6a通过数字代替后得到图6b。图6c为训练集B_level_1和O_level_1的质心在目标空间坐标所处的位置。

为了使各个故障在目标空间有参照物，更好的体现出在目标空间汇聚和分离特性。同时将测试集B_level_1，O_level_1和B_level_3(即实验7、实验8和实验9)映射到目标空间其结果如图6d所示，图中数字“5”代表B_level_3。图中可以明显看出“2”和“5”在目标空间汇聚，说明B_level_1和B_level_3为同一类型故障，在时频图中有较强的相似性，两个样本融合到目标空间的左下角。同时将测试集B_level_1，O_level_1和O_level_3(即实验7、实验8和实验12)映射到目标空间其结果如图8e，图中数字“5”代表O_level_3。与图8d相似，由于O_level_1和O_level_3为同一类型故障，所以“4”和“5”融合到目标空间的右上角。通过以上实例，可以表明S-CNN1对未学习过的不同损伤程度的同类型故障有较强的辨识能力。

同时将测试集B_level_1，O_level_1和I_level_3(即实验7、实验8和实验11)在目标空间进行输出，其结果如图6f所示，图中数字“5”代表I_level_3。可以看出，图中共形成了3簇集合，即由于B_level_1、O_level_1和I_level_3在时频图中没有相似性，所以它们映射到目标空间之后各自形成一簇。由图可知S-CNN1对未学习过的不同类型未知故障也具有很好的辨识能力。

将训练集在目标空间的映射结果进行解析，并根据DBSCAN的散点图确定最小聚类半径(T_M_min)的值。通过计算T_M_min＝1.5。

表3质心坐标在目标空间的距离及分类结果

(a)测试集为B_level_1和I_level_2的分类结果

(b)测试集为B_level_1和O_level_1的分类结果

(c)测试集为I_level_3和O_level_1的分类结果

计算出训练集与测试集中各个质心之间的欧式距离(T_D)。训练集与测试集中各个质心的坐标与距离如表3所示。根据判别规则(如果测试集中的未知故障与训练集中已知故障类型的第i类类型故障的距离T_D_it<T_M_min，则未知故障属于该已知故障)，来识别出每个测试样本的故障类型。将所有实验结果列于表3，表中“NEW”代表为新类型故障。由表3可知，各个实验的分类准确率很高，表明本文方法在不完备数据建模的情况下，均能实现故障类型的自学习和故障库的自增长，验证了提出算法的有效性。

2、故障损伤程度分类模型自学习

第二级网络是寻找同类型故障不同损伤程度的差异性，由以上的工作可知S变换更易找到同种故障类型不同损伤程度在时频域的相似性，所以在这一级网络，采取了不同的预处理策略。STFT是通过固定大小的滑动窗口来观察信号，而通过固定大小的滑动窗对信号微小的变化更为敏感，更易发现不同信号的差异性。

表4故障损伤程度分类自增长实验分组

将振动数据进行重叠分段预处理，再对每一段数据进行STFT，得到时频图如图7所示。从图中可以看出，同类型故障不同损伤程度的时频图存在明显的差别。因此，第二级网络采用此预处理方法是合理的。接下来，构造6组实验如表4所示。组4～组6是已知正常信号和某一故障损伤程度信号情况下的分类与学习过程，组7～组9则是已知两种故障损伤程度信号情况下的进一步分类与学习过程。

(1)已知一种损伤程度的识别过程：组6中训练集为N和O_level_1，其在目标空间分布情况如图8所示。图8a表示训练集N和O_level_1最后一层网络的输出，图中数字“1”代表N，数字“4”代表O_level_1，N在目标空间坐标值汇聚于图中左下角，O_level_1汇聚于图中右上角。

为了便于观察各个故障在目标空间分布情况，同时将测试集N和O_level_1(既实验27和实验28)映射到目标空间其结果如图8b。测试集样本也更为集中的分布在目标空间的两个区域中，几乎与训练集的样本所处的位置一致。说明S-CNN2可以对学习过的已知损伤程度有较强的辨识能力。同时将测试集N、O_level_1和O_level_2(既实验27、实验28和实验29)映射到目标空间其结果如图8c。由于O_level_1和O_level_2是同种故障类型，在时频谱中具有相似性，所以测试集故障损伤程度信号O_level_2会更接近O_level_1，但仍可以清楚发现两类损伤程度还是分离成两簇。图8d为同时将测试集N、O_level_1和O_level_2(既实验27、实验28和实验30)映射到目标空间得到的输出结果，O_level_3(图中用“5”表示)，由于O_level_1和O_level_3同样是同种故障类型信号，在目标空间中测试集O_level_3会更接近O_level_1，但仍有效分离成两簇。将训练集在目标空间进行解析，根据DBSCAN的散点图确定最小聚类半径(L_M_min)的值。通过计算L_M_min＝0.1。计算出训练集与测试集每一个质心之间的欧式距离(L_D)。根据判别规则(如果测试集中的未知故障程度与训练集中已知故障程度的第i种故障程度的距离L_D_it<L_M_min1，则未知故障程度属于该已知故障程度)，来识别出每个测试样本的故障损伤程度。将所有实验结果列于表5，表中“NEW”代表为新类型故障；“L-1”代表为第一类损伤等级。由表5可知，各个实验的分类准确率很高。

表5质心坐标在目标空间的距离及分类结果

(a)训练集N和B_level_1的分类结果

(b)训练集N和I_level_1的分类结果

(c)训练集N和O_level_1的分类结果

(2)当已知两种故障损伤等级的条件下，实现第三种故障损伤程度的自学习和等级自增长：组7中训练集为B_level_1和B_level_2，其在目标空间分布情况如图9所示。图9a表示训练集B_level_1和B_level_2最后一层网络的输出，B_level_1(图中用“2”表示)在目标空间坐标值汇聚于图中左上角，B_level_2(图中用“3”表示)汇聚于图中右下角。

同时将测试集B_level_1和B_level_2(既实验31和实验32)映射到目标空间其结果如图9b。图9c为同时将测试集B_level_1、B_level_2和B_level_3(实验31、实验32和实验33)在目标空间映射结果图中用“5”表示B_level_3，可以明显看出三种损伤程度在目标空间分布成三簇集合，很容易将它们分为三类。

将训练集在目标空间进行解析，根据DBSCAN的散点图确定最小聚类半径(L_M_min2)的值。通过计算L_M_min2＝1.5。根据相似的判别规则，可实现3种故障损伤程度的分类与自学习。将所有实验结果列于表6，表中“L-2”代表为第二类损伤等级。由表6可知，各个实验的分类准确率很高。

综合以上实验，表明本文方法能够实现故障损伤等级的自学习，也间接表明当损伤程度进一步增加时，本文方法能够继续进行分类的自增长，体现出一定的学习智能性。

表6质心坐标在目标空间的距离及分类结果

(a)训练集B_level_1和B_level_2的分类结果

(b)训练集I_level_1和I_level_2的分类结果

(c)训练集O_level_1和O_level_2的分类结果

Claims (2)

1.一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法，其特征在于：该方法首先将相似度度量的孪生结构与CNN相结合，构建S-CNN网络结构；然后，基于构造的S-CNN网络结构，建立第一级故障类型识别网络S-CNN1：(1)利用形态学增强脉冲特征去除部分噪声；(2)应用S变换将信号故障类型共性特征进行提取，构造时频图；(3)将时频图样本输入到第一级S-CNN中，对其进行训练，最终形成第一级故障类型识别网络S-CNN1，训练好的网络利用网络在目标空间对同类型故障汇聚、不同类型故障分离特性，实现滚动轴承故障类型的识别与自学习；

最后，建立第二级故障损伤程度分类网络S-CNN2：(1)应用具有滑动窗的短时傅里叶变换STFT将同类型故障不同损伤程度的差异性进行放大，得到滑动时频图样本；(2)将得到的时频图样本时频图样本输入第二级S-CNN中，对其进行训练，最终形成第二级故障损伤程度分类网络S-CNN2，训练好的网络是基于目标空间距离的分类器，实现故障损伤程度的自学习和自增长；

建立第一级S-CNN1故障类型自学习网络的具体过程如下，

(a)数据预处理：假设有一种未知故障类型X和若干已知故障类型X_i，i≥2，将所有原始振动信号进行数学形态学滤波，去除部分背景噪声，对数据按照每组Q个采样点进行分割作为输入样本；之后每组均进行S变换处理得到每组振动数据对应包含时域与频域信息的时频图，然后把时频图转换成n×n的矩阵；取所有信号数据的80％作为训练集数据，20％作为测试集数据；

(b)参数选择：选取网络参数，第一级S-CNN1网络采用的两个相同CNN网络参数选择如下：选取5层卷积网络，第一层16个卷积核，第二层32个卷积核，第三层64个卷积核，第四层128个卷积核，第五层256个卷积核，卷积核大小为5×5，优化算法选取Adam，Adam对超参数的选择很好鲁棒性，最大训练次数为4000次；

(c)训练过程：网络参数确定好之后，把步骤(a)中训练集的时频图即n×n矩阵作为S-CNN1的输入，计算相应的Gw(x₁)、Gw(x₂)和能量函数Ew(x₁,x₂)，并利用训练集的已知标签Y对S-CNN网络结构进行训练；其中训练过程主要依据反向传播逐层训练网络各层的参数，最终获得训练好的网络结构S-CNN1；

(d)测试与自学习过程：网络训练好之后，把步骤(a)中测试集时频图(n×n矩阵)作为步骤(c)中训练好的S-CNN1的输入，每种故障振动信号的时频图通过S-CNN1最后一层都会得到一个映射到目标空间的坐标值(x,y)，由孪生结构的原理可知同一类型故障会在目标空间越来越近，而不同类型故障则越来越远；训练4000次后，最终，两类故障会在目标空间汇聚成各自不重合的两簇，完成网络对不同特征的学习过程；计算训练集每种类型故障在目标空间集合的质心，第i类在目标空间的质心记为T_trainC_i；

(e)根据具有噪声的基于密度聚类方法的散点图确定半径T_M_min的值；

(f)将测试集数据通过S-CNN1映射到目标空间，得到测试集在目标空间坐标，计算测试集质心记为T_testC；求测试集的T_testC与训练集中T_trainC_i之间的欧式距离，当T_testC与第i类故障的T_trainC_i之间的距离小于T_M_min，则判定测试集中未知故障属于训练集中第i类故障类型；当T_testC与训练集中所有的T_trainC_i之间的距离都不小于T_M_min，则判定测试集中未知故障属于新故障类型，从而实现故障类型的分类与自学习过程；

建立第二级S-CNN2故障损伤等级自学习网络的具体过程如下，

(a)数据预处理：对已识别故障类型即经过S-CNN1网络识别的数据的样本将其还原为原始振动信号数据，接下来要进行故障损伤等级判别与自学习；首先对这些数据进行重叠分段预处理，对数据按照每段Q个采样点进行分割作为输入样本；之后每段均进行STFT变换处理得到每组振动数据对应包含时域和频域信息的时频图，然后对时频图进行压缩，转换成n×n的矩阵；

(b)参数选择：选取网络参数，第二级S-CNN2网络采用的两个相同CNN网络参数选择如下：CNN中选取3层卷积网络，第一层64个卷积核，第二层128个卷积核，第三层256个卷积核，卷积核为3×3，优化算法选取Adam Optimizer且最大训练次数为20000次；

(c)训练过程：网络参数确定好之后，把步骤(a)中训练集的时频图n×n矩阵作为S-CNN2的输入，计算相应的Gw(x₁)、Gw(x₂)和能量函数Ew(x₁,x₂)，并利用训练集的已知标签Y对S-CNN网络结构进行训练；其中训练过程依据反向传播逐层训练网络各层的参数，最终获得训练好的网络结构S-CNN2；

(d)测试与自学习过程：确定网络结构之后把测试集n×n的矩阵作为S-CNN2的输入，每种故障振动信号的时频图通过S-CNN2最后一层都会得到一个映射到目标空间的坐标值(x,y)；训练20000次后，计算训练集每种故障程度在目标空间集合的质心，第i类在目标空间的质心记为L_trainC_i；

(e)依据DBSCAN的散点图确定半径第二级网络L_M_min的值；

(f)将测试集数据通过S-CNN2映射到目标空间，得到测试集在目标空间坐标，计算测试集质心记为L_testC；求测试集的L_testC与训练集中L_trainC_i之间的欧式距离，当L_testC与第i类损伤程度L_trainC_i之间的距离小于L_M_min，则判定测试集中未知故障属于第i类损伤程度；当L_testC与训练集中所有的损伤程度之间的距离都不小于L_M_min，则判定测试集中未知故障属于新类型损伤程度，从而实现故障损伤程度的分类与自学习的过程。

2.根据权利要求1所述的一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法，其特征在于：构建S-CNN结构本质上是一种相似性度量的方法，输入为两幅时频图x₁和x₂，在模型训练的时候，他们具有已知标签Y，其中Y是一个二值标签；当输入的时频图x₁和x₂属于同一类时，Y＝0；否则，Y＝1，标签用于网络训练之用；之后，Gw(x₁)和Gw(x₂)分别为x₁和x₂经过两个CNN网络的对应输出，两个CNN网络将x₁和x₂映射到低维空间中的两个点；其中，w为两个CNN网络待学习的共享参数；之后，将两个网络的输出Gw(x₁)和Gw(x₂)进行运算得到一个相似性度量指标Ew，将该指标称为“能量函数”；该能量函数Ew(x₁,x₂)定义如下：

Ew(x₁,x₂)＝||Gw(x₁)-Gw(x₂)|| (1)

以上即为所构建的S-CNN基本结构，之后通过输入不同的训练样本来训练不同的S-CNN网络。

Images