(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 202111500009.5 (22)申请日 2021.12.09 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 任海军　李琦　沈力　韦冲　罗亮　 谭志强　丁显飞　 (74)专利代理 机构 重庆市恒信知识产权代理有 限公司 5 0102 代理人 李金蓉 (51)Int.Cl. G01M 13/045(2019.01) G06F 30/17(2020.01) G06F 30/27(2020.01) (54)发明名称 基于全卷积自编码器和优化支持向量机的 滚动轴承故障诊断方法 (57)摘要 本发明公开了一种基于全卷积自编码器和 优化支持向量机的滚动轴承故障诊断方法， 属于 轴承故障诊断领域。 首先， 由于传统故障特征提 取困难且特征的泛化性较弱， 本发 明提出了基于 全卷积自编码器的故障诊断方法， 全 卷积自编码 器同时具备卷积神经网络和自编码器的优点， 采 用堆叠全卷积自编码器自动从轴承振动信号频 谱中提取深度故障特征； 然后使用Fi sher准则对 所提取的深度故障特征进行评分排序， 此准则是 基于内类距离和类间距离的， 可以筛选出区分性 较强的故障特征； 最后， 采用改进的樽海鞘算法 对SVM的超参数进行优化， 将筛选后的特征输入 优化SVM完成滚动轴承的故障识别。 权利要求书2页 说明书9页 附图2页 CN 114354194 A 2022.04.15 CN 114354194 A 1.基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法， 其特征在于， 包 括以下步骤： 1)将滚动轴承振动信号按等长分割为多个样本， 采用傅里叶变换将时域样本变换为频 域样本并划分为训练集和 测试集， 作为全卷积自编码器的输入信号； 2)构建堆叠全卷积自编码器， 将步骤1)中的频域样本作为输入完成深度故障特征提 取； 3)基于Fisher准则 对所提取的故障特征进行评分排序， 筛选排序靠前 区分性强的故障 特征； 4)采用改进的樽海鞘算法优化支持向量机的惩罚参数和核参数， 将经过筛选的故障特 征输入优化后的支持向量机 完成滚动轴承的故障状态 识别。 2.根据权利要求1所述基于全卷积自编码器和优化支持向量机的滚动轴 承故障诊断方 法， 其特征在于： 所述构建堆叠全卷积自编码器包括， 构建一种基于全卷积运算的自编码 器， 将多个全卷积自编码器堆叠构成深度学习模型。 3.根据权利要求2所述基于全卷积自编码器和优化支持向量机的滚动轴 承故障诊断方 法， 其特征在于： 在全卷积自编码器的解码阶段， 使用零值填充上采样恢复特征维数， 解码 器中使用有效卷积。 4.根据权利要求2或3所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊 断方法， 其特 征在于： 引入广义相关函数设计全卷积自编码器的重构损失函数为： 式中， x是网络输入， 为重构输出， m表示输入样本维数， 表示一个小批量样本， σ 为 核函数带宽， 为核函数， Nb表示小批量样本数量， JFCAE表示损失函数。 5.根据权利要求1所述基于全卷积自编码器和优化支持向量机的滚动轴 承故障诊断方 法， 其特征在于： 所述Fisher准则具体为： 令数据集中共有n个样本， 分别属于C个类ω1， ω2， ...,ωC， 每一类分别包含ni个样本， 分别表示样本x， 第i类样本的均值， 所有样本的均值在第k维上的取值； 根据 Fisher准则第k维特 征的评判标准表示 为： 其中， Jk为特征的Fisher比， 和 分别表示第k维特征在训练样本集上的类间方差和 类内方差； 6.根据权利要求1所述基于全卷积自编码器和优化支持向量机的滚动轴 承故障诊断方 法， 其特征在于： 所述改进的樽海鞘算法在樽海鞘群算法中领导者的位置更新公式中引入权　利　要　求　书 1/2 页 2 CN 114354194 A 2一个变异因子， 新的领导 者更新公式如下 式中， r2,r3,r4服从[0,1]之间均匀分布的随机数， A取较小的常数， P(r4)和sign(r4)定 义分别如下 式中， Pc为设定的变异概率,P(r4)和sign(r4)分别决定了领导者是否变异以及食物源 位置变动方向。 7.根据权利要求6所述基于全卷积自编码器和优化支持向量机的滚动轴 承故障诊断方 法， 其特征在于： 引入非线性自适应惯性权 重后新的追随者公式为 其中， ws为初始惯性权重， we为更迭至最大更迭代 数时的惯性权重， t为当前更迭代 数， T 为最大更迭代数。权　利　要　求　书 2/2 页 3 CN 114354194 A 3