(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111681530.3 (22)申请日 2021.12.2 9 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 杨帆　黄栋铧　李东东　赵耀　 林顺富　俞士炳　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 叶敏华 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于自适应 降噪卷积神经网络的故障 诊断方法 (57)摘要 本发明涉及一种基于自适应降噪卷积神经 网络的故障诊断方法， 方法包括以下步骤： 检测 机械设备振动信号， 组成一维的振动数据集， 对 振动数据集做灰度图化处理， 获得灰度图数据 库； 将灰度图数据库输入自适应降噪卷积神经网 络进行训练， 训练得到其自适应降噪神经网络模 型； 利用训练好的自适应降噪神经网络模型进行 故障诊断。 与现有技术相比， 本发明构建了一种 自适应降噪卷积神经网络， 其含有自适应滤波器 使得卷积神经网络能自适应高噪声下的故障诊 断， 具有抗噪能力强和准确性高的优点。 权利要求书1页 说明书5页 附图2页 CN 114386460 A 2022.04.22 CN 114386460 A 1.一种基于自适应降噪卷积神经网络的故障诊断方法， 其特 征在于， 包括以下步骤： 步骤S1、 检测机 械设备振动信号， 组成一维的振动数据集； 步骤S2、 对 振动数据集做灰度图化处 理， 获得灰度图数据库； 步骤S3、 将灰度图数据库输入所构建的自适应降噪卷积神经网络进行训练， 训练得到 其自适应降噪神经网络模型； 所述自适应降噪神经网络模型包括自适应滤波卷积层， 全局 平均池化层和全连接层， 其中的自适应滤波 卷积层由两个CNN层和一个自适应滤波器组成， 自适应滤波器的阈值由自动设置阈值模块调节； 步骤S4、 通过训练好的降噪神经网络模型进行故障诊断。 2.根据权利要求1所述的一种基于自适应降噪卷积神经网络的故障诊断方法， 其特征 在于， 步骤S1具体包括： S11、 采集机械设备的振动信号， 组成一维含标签的振动数据集L(i)， 其中i表示一维振 动数据中第i个数据点； S12、 从振动数据 集中选取M*M个一维振动数据， 将M*M中的每个数据点带入灰度计算式 得到P(j,k)， P(j,k)表示灰度图中第j行k列像素的大小； S13、 用P(j,k)组成M *M的灰度图。 3.根据权利要求2所述的一种基于自适应降噪卷积神经网络的故障诊断方法， 其特征 在于， 所述灰度计算式的表达式为： 其中， 函数round表示四舍五入函数， 确保P(j,k)是0 到255的整数。 4.根据权利要求1所述的一种基于自适应降噪卷积神经网络的故障诊断方法， 其特征 在于， 所述自适应降噪神经网络模型包括4个自适应滤波 卷积层， 1个全局平均池化层和1个 全连接层。 5.根据权利要求1所述的一种基于自适应降噪卷积神经网络的故障诊断方法， 其特征 在于， 所述自动设置阈值模块包 含1个绝对值 化层， 1个全局池化层和2个一维CN N层。 6.根据权利要求1所述的一种基于自适应降噪卷积神经网络的故障诊断方法， 其特征 在于， 所述自动设置阈值模块输出自适应阈值至自适应滤波器， 实现阈值的自动设定； 经过 自适应滤波器过滤后的数据再与输入的图像数据进行相加， 得到的结果再输入到下一个自 适应滤波卷积层。权　利　要　求　书 1/1 页 2 CN 114386460 A 2一种基于自适应降噪卷积神经 网络的故障诊断方 法 技术领域 [0001]本发明涉及机械设备故障诊断领域， 尤其是涉及 一种基于自适应降噪卷积神经网 络的故障诊断方法。 背景技术 [0002]随着机械设备智能化程度的提高， 基于传统模型的故障诊断方法， 又称模型驱动 的故障诊断方法， 逐渐被数据驱动的故障诊断的方法而取代， 并在大量的机械装备上得到 了广泛的应用， 例如轴承、 齿轮箱、 传动轴等。 [0003]卷积神经网络是数据驱动故障诊断领域一种常用的深度学习的方法， 并在各种机 械设备的故障诊断上取得了大量的研究成果。 基于卷积神经网络的数据驱动故障诊断方 法， 其主要利用设备信号数据集对卷积神经网络进行训练得到神经网络模型， 利用训练好 的卷积神经网络模型对设备进行故障诊断。 然而， 以卷积神经网络为代表的故障诊断算法 往往忽略了实际工作场景， 即机械的运行往往会产生许多额外的噪声干扰， 例如机械结构 之间的共振。 虽然经过了大量的辅助设备和更高精度的传感器对信号进行过滤， 但是数据 中噪声的干扰依旧存在。 [0004]然而其卷积神经网络表现与数据的噪声程度有强烈的关系， 一方面， 当数据包含 的噪声变大时， 传统的卷积神经网络无法有效过滤噪声信号， 卷积神经网络模型故障诊断 的精确性往往会有大幅的下降。 另一方面传统基于卷积神经网络的故障诊断方法也无法适 应不同运行环境下 的故障诊断。 而如果单纯靠人为或者辅助设备进行降噪， 往往需要耗费 大量的人工精力， 且具有不确定性。 发明内容 [0005]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应降 噪卷积神经网络的故障诊断方法。 [0006]本发明的目的可以通过以下技 术方案来实现： [0007]一种基于自适应降噪卷积神经网络的故障诊断方法， 包括以下步骤： [0008]步骤S1、 检测机 械设备振动信号， 组成一维的振动数据集； [0009]步骤S2、 对 振动数据集做灰度图化处 理， 获得灰度图数据库； [0010]步骤S3、 将灰度图数据库输入所构建的自适应降噪卷积神经网络进行训练， 训练 得到其自适应降噪神经网络模型； 所述自适应降噪神经网络模型包括自适应滤波卷积层， 全局平均池化层和全连接层， 其中的自适应滤波卷积层由两个CNN层和一个自适应滤波器 组成， 自适应滤波器的阈值由自动设置阈值模块调节； [0011]步骤S4、 通过训练好的降噪神经网络模型进行故障诊断。 [0012]进一步地， 步骤S1具体包括： [0013]S11、 采集机械设备的振动信号， 组成一维含标签的振动数据集L(i)， 其中i表示一 维振动数据中第i个数据点；说　明　书 1/5 页 3 CN 114386460 A 3