(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 202111273866.6 (22)申请日 2021.10.2 9 (71)申请人 上海海事大学 地址 201306 上海市浦东 新区南汇新城镇 海港大道15 50号上海海事大学 (72)发明人 朱可恒　周顺铭　胡雄　顾邦平　 孙德建　 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G01M 13/045(2019.01) G06F 119/02(2020.01) (54)发明名称 一种基于深度卷积模糊系统的滚动轴承故 障诊断方法 (57)摘要 本发明涉及一种基于深度卷积模糊系统的 滚动轴承故障诊断方法， 利用若干个低维模糊 系 统以及卷积窗口处理进行弱估计量的预测， 将这 些预测结果再次代入更深层的模糊系统进行预 测， 经过逐层计算最终得出计算的结果。 采集滚 动轴承的振动信号； 计算振动信号的前五个多尺 度模糊熵作为信号； 将故障特征向量分为训练集 和测试集； 利用训练集对深度卷积模糊系统进行 训练并用训练好的模型对测试集进行预测； 根据 预测结果识别滚动轴承的工作状态与故障类型。 本发明在识别轴承故障状态上具有更高的准确 率和速度的优点。 权利要求书1页 说明书5页 附图4页 CN 114021275 A 2022.02.08 CN 114021275 A 1.一种基于深度卷积模糊系统的滚动轴承故障诊断方法， 其特征在于训练速度快， 准 确率高， 具体包括如下步骤： (1)、 测量滚动轴承的振动信号； (2)、 计算轴承振动信号的多尺度模糊熵， 选取前五个尺度 上的模糊熵作为轴承故障特 征向量； (3)、 将得到的轴承故障特 征分为训练样本和 测试样本； (4)、 确定深度卷积模糊系统算法的移动窗口大小； (5)、 创建模糊集合， 计算训练样本中输入量和输出量关于模糊集合的最大隶属度， 通 过隶属度构造用于测试样本预测的参数； (6)、 利用计算得到的参数和隶属度， 使用模糊系统得 出弱估计量； (7)、 将上一层计算的弱估计量作为输入量代入下一层模糊系统中， 逐层计算直至顶层 输出测试样本； (8)、 根据预测结果识别滚动轴承的工作状态与故障类型。权　利　要　求　书 1/1 页 2 CN 114021275 A 2一种基于深度卷积 模糊系统的滚动轴承故障诊断方 法 技术领域 [0001]本发明涉及 一种滚动轴承 故障诊断技术， 特指一种基于深度卷积模糊系统的滚动 轴承故障诊断方法。 技术背景 [0002]随着现代工业的发展， 机械设备越来越复杂， 然而， 机械设备由于复杂的运行条件 以及长时间的运作， 不免出现各种问题， 这些问题若不被发现可能会造成机械设备停运， 严 重时甚至会导致人员重大伤亡， 其中， 滚动轴承是旋转机械中关键的部件之一， 其运行状态 往往决定着整台机器的性能。 因此， 滚动轴承的故障诊断有重要的意 义。 [0003]目前， 算法对故障信号的分类已经代替了传统的经验诊断方法， 其中主要的故障 诊断方法有神经网络、 支持向量机、 聚类分析等等， 通过对故障信号的特征提取， 对不同的 故障信号加以分类。 近年来 随着卷积神经网络等深度学习算法在故障诊断领域的应用， 对 机械故障识别的准确率 也得到了很大的提高。 [0004]然而， 随着大数据的到来， 很多轴承信号无法及时处理， 主要原因是目前深度神经 网络的训练算法在应用于大数据时， 计算量很大， 就卷积神经网络而言， 其可能需要很长时 间才能收敛。 算法的时间耗费过长是一个需要解决的问题， 因此目前在寻找高准确 率算法 的同时， 计算速度也成为了一个很大的衡量标准。 针对滚动轴承故障诊断算法数据大， 处理 速度慢的问题， 本发明提出一种基于深度卷积模糊系统的滚动轴承故障诊断方法， 具有保 证准确率高且速度快， 识别故障效率高的优点。 发明内容 [0005]本发明是针对传统神经网络计算量大， 运行时间长等问题， 提出了一种基于深度 卷积模糊系统的滚动轴承故障诊断方法， 利用若干个低维模糊系统以及卷积窗口处理进 行 弱估计量的预测， 将这些预测结果再次代入更深层的模糊系统进行预测， 经过逐层计算最 终得出计算的结果。 [0006]一种基于深度卷积模糊系统的滚动轴承故障诊断方法， 具体包括如下步骤： [0007](1)、 测量滚动轴承的振动信号； [0008](2)、 计算轴承振动信号的多尺度模糊熵， 选取前五个尺度上的模糊熵作为轴承故 障特征向量； [0009](3)、 将得到的轴承故障特 征分为训练样本和 测试样本； [0010](4)、 确定深度卷积模糊系统算法的移动窗口大小； [0011](5)、 创建模糊集合， 计算训练样本中输入量和输出量关于模糊集合的最大隶属 度， 通过隶属度构造用于测试样本预测的参数； [0012](6)、 利用计算得到的参数和隶属度， 使用模糊系统得 出弱估计量； [0013](7)、 将上一层计算的弱估计量作为输入量代入下一层模糊系统中， 逐层计算直至 顶层输出测试样本；说　明　书 1/5 页 3 CN 114021275 A 3