(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 202111663014.8 (22)申请日 2021.12.3 0 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 50号 (72)发明人 万安平　杨洁　王博　缪徐　 刘璨贤　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 代理人 韩迎之 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01M 13/045(2019.01) (54)发明名称 基于变分模态分解和残差网络的航空轴承 故障诊断方法 (57)摘要 本发明公开了一种基于变分模态分解和残 差网络的航空轴承故障诊断方法， 涉及机电系统 故障诊断技术领域， 包括以下步骤： 通过振动加 速度传感器采集不同位置和方向的加速度信号， 作为样本 数据； 通过归一化、 切片、 变分模态分解 及标签化处理， 将所述样本数据转换为目标数据 类型， 获取训练样本集； 构建1D ‑Resnet模型， 并 将训练样本集输入所述1D ‑Resnet模型中进行训 练， 直至模型收敛， 保存模型参数； 通过训练完成 的1D‑Resnet模型， 对航空发动机轴承故障进行 诊断， 获取诊断结果。 本发明基于变分模态分解 和残差网络对航空发动机旋转机械部分的轴承 进行故障诊断和分析， 提高诊断准确率， 可为维 修工作人员提供准确可靠的依据。 权利要求书3页 说明书8页 附图3页 CN 114282579 A 2022.04.05 CN 114282579 A 1.一种基于变分模态分解和残差网络的航空轴承故障诊断方法， 其特征在于， 包括以 下步骤： 通过振动加速度传感器采集 不同位置和方向的加速度信号， 作为样本数据； 通过归一化、 切片、 变分模态分解及标签化处理， 将所述样本数据转换为目标数据类 型， 获取训练样本集； 构建1D‑Resnet模型， 并将所述训练样本集输入所述1D ‑Resnet模型中进行训练， 直至 模型收敛， 保存 模型参数； 通过训练完成的1D ‑Resnet模型， 对航空发动机轴承故障进行诊断， 获取诊断结果。 2.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 所述归一 化为最大最小值归一 化， 表达式为： 其中， Xmax为样本数据的最大值， Xmin为样本数据的最小值， Xnorm为归一化结果， 数值区间 为[0,1]。 3.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 所述切片的具体操作为： 将长信号波的加速度信号中每N个点进 行切分， 得 到多段相同长度的短信号波数据。 4.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 所述切片的具体操作为： 通过重叠采样的方式对所述样本数据进行扩增， 每隔M个步长进行切分， 相邻切片数据之间有重 叠。 5.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 对切片后的数据进行变分模态分解的具体操作为： 将切片后的原始一维信号f(t)分解为k个有限带宽的固有模态分量， 提取信号频域特 征， 其中， 约束变分表达式为： 固有模态分量的表达式为： 其中， k为分解的模态个数， {uk}＝{u1,…,uk}表示k个固有模态分量， {wk}＝{w1,..., wk}为各分量的中心频率， δ(t)为 狄利克雷函数， *为卷积运算， t为时间序列， ak(t)为非负的 包络线， 为相位， 表示对时间t求偏导数， K表示总的模态数量， j为傅 里叶变换过程 中的虚数； 引入二次项惩罚因子α和Lagrange乘法算子λ， 将约束变分问题转化为非约束变分问 题， 其中， 增广La grange表达式为：权　利　要　求　书 1/3 页 2 CN 114282579 A 2其中， λ(t)表示拉格朗日乘子 。 6.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 所述标签化处理的具体操作为： 对变 分模态分解后的数据以0～ i的形式添 加相应的故障标签， 其中i 为类别总数。 7.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 构建的1D ‑Resnet模型包括输入层、 5个残差模块、 Dropout层、 Flatten层和 输出层； 第一残差模块包括 一层一维卷积层和一维最大池化层； 第二残差模块包括两个恒等模块； 每个恒等模块的主路由两个一维卷积层串联， 支路 为一条恒等映射 通道； 第三残差模块、 第四残差模块和第五残差模块均为一个恒等模块和一个卷积下采样模 块串联； 卷积下采样模块的主路为两个一 维卷积层串 联， 支路为一个卷积核大小为 1的卷积 层。 8.根据权利要求7所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方 法， 其特征在于， 对所述1D ‑Resnet模型进行训练具体包括以下步骤： 通过所述输入层输入多通道一维向量并将所述多通道一维向量输入残差模块中； 其 中， 通道数量 ＝传感器 个数*变分模态分解后的固有模态数k； 通过所述残差模块中的卷积层对上一层的输出进行卷积， 采用非线性激活函数提取局 部区域的空间特 征， 其数学模型表示 为： 其中， 表示第j个神经元在l+1层的输入， 即l层的输出； 表示第i个滤波核在l 层的权重， 符号 ·表示内核与该局部区域 的点积， xl(j)表示第l层的第j个神 经元的输入， 表示第i个滤波核在l层的偏置， 表示第l+1层第i个滤波核经非线性激活函数作 用后的结果； f( ·)表示激活函数， 对每次卷积的逻辑 值输出进行非线性变换； 通过残差模块中的最大池化层减少网络参数， 并通过所述卷积下采样模块缩小数据长 度； 通过所述Dropout层对经残差模块训练的参数进行随机 舍弃； 通过所述Flat ten层整合残差模块已区分的局部信息， 获取 单通道数据； 输出层输出的数据经softmax函数进行误差反向传播对1D ‑Resnet模型进行优化， 直至 模型收敛， 得到训练完成的1D ‑Resnet模型。 9.根据权利要求1所述的一种基于变分模态分解和残差网络的航空轴承故障诊断方权　利　要　求　书 2/3 页 3 CN 114282579 A 3