(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 202111624091.2 (22)申请日 2021.12.28 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 王晓明　刘永猛　谭久彬　曹子飞　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 刘景祥 (51)Int.Cl. G01M 13/028(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的大型回转装备主轴健 康预警模型建立方法和装置 (57)摘要 本发明公开一种基于深度学习的大型回转 装备主轴健康预警模型建立方法和装置， 属于大 型回转装备主轴健康监测与状态识别技术领域， 解决现有缺少主轴健康预警模型有效地保证大 型回转装备工作性能的同时能显著地降低经济 损失的问题。 本发明的方法包括： 获取大型回转 装备主轴状态振动信号； 分别从时域、 频域和时 频域进行特征提取， 获取多维特征； 对多维特征 进行降维处理， 将降维处理后的多维特征划分为 训练集和测试集； 基于BP神经网络建立大型回转 装备主轴健康预警模型， 并利用训练集和测试集 对大型回转装备主轴健康预警模型进行训练和 测试， 完成大型回转装备主轴健康预警模型的建 立。 本发明适用于大型回转装备主轴健康监测与 状态识别。 权利要求书3页 说明书8页 附图2页 CN 114354184 A 2022.04.15 CN 114354184 A 1.一种基于深度学习的大型回转装备主轴健康预警模型建立方法， 其特征在于， 所述 方法包括： 获取大型回转装备主轴状态振动信号； 根据所述主轴状态振动信号， 分别从时域、 频域和时频域进行特征提取， 获取多维特 征； 对所述多维特征进行降维处理， 将所述降维处理后的多维特征划分为训练集和测试 集； 基于BP神经网络建立大型回转装备主轴健康预警模型， 并利用所述训练集和测试集对 所述大型回转装备主轴健康预警模型进行训练和测试， 完成所述大型回转装备主轴健康预 警模型的建立。 2.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方 法， 其特征在于， 所述获取 大型回转装备主轴状态振动信号， 具体包括： 利用振动传感器采集大 型回转装备主轴状态振动信号； 将所述主轴状态振动信号 通过多通道采集设备进行传输 到上位机软件中。 3.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方 法， 其特征在于， 所述时域的特征包括有量纲特征和无量纲特征， 所述有量纲特征包括有效 值、 平均值、 标准差、 最大值和最小值， 所述无量纲特征包括波形因子、 峰值因子、 脉冲因子 和峭度因子； 所述频域的特 征包括重心频率、 平均频率、 均方根频率和频率标准差； 所述时频域的特征为所述主轴状态振动信号经过小波包分解， 各分解频带的能量占 比。 4.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方 法， 其特征在于， 所述对所述多维特征进行降维处理， 具体包括： 通过主成分分析算法对所 述多维特 征进行降维处 理。 5.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方 法， 其特征在于， 所述基于BP神经网络 建立大型回转装备主轴健康预警模型， 并利用所述训 练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试， 完成所述大型回转 装备主轴健康预警模型的建立， 具体包括： 构建BP神经网络， 所述BP神经网络的输入层iL的节点数为α， 节点数α 等于降维处理后的 多维特征的样本维度m,每个节点接收一维特征样本， 隐含层hL节点数β， 输出层为γ， 输入 层与隐含层的连接权 值为wjihL， 相应的偏置因子为bjhL， 隐含层与输出层的节点权重为wojoL， 对应的偏置因子为bkoL； 前向计算， 具体包括： 设隐含层iL层的第j个节点的输入ujiL为： 其中Xi为PCA降维后的特 征样本的第i维特 征样本， 即PCA(i)； 根据输入ujiL可得隐含层iL层的第j个节点的输出yjiL为：权　利　要　求　书 1/3 页 2 CN 114354184 A 2其中fiL为该节点的激活函数； 求解输出层的输入ukoL与输出ykoL为： 式中foL为隐含层iL层的第j个节点的激活函数； 反向计算， 具体包括： 从输出层计算输出误差； 基于梯度下降法依次计算各层权值与偏置值的改变量， 达到修正权值与偏置的目的， 使网络输出误差 达到目标值。 6.一种基于深度学习的大型回转装备主轴健康预警模型建立装置， 其特征在于， 所述 装置包括： 信号获取模块， 用于获取 大型回转装备主轴状态振动信号； 特征提取模块， 用于根据 所述主轴状态振动信号， 分别从时域、 频域和时频域进行特征 提取， 获取多维特 征； 降维处理模块， 用于对所述多维特征进行降维处理， 将所述降维处理后的多维特征划 分为训练集和 测试集； 模型建立模块， 用于基于BP神经网络建立大型回转装备主轴健康预警模型， 并利用所 述训练集和测试集对所述大型回转装备主轴健康预警模型进 行训练和测试， 完成所述大型 回转装备主轴健康预警模型的建立。 7.根据权利要6所述的一种基于深度学习的大型回转装备主轴健康预警模型建立装 置， 其特征在于， 所述信号获取模块包括： 采集模块， 用于利用振动传感器采集大 型回转装备主轴状态振动信号； 传输读取模块， 用于将所述主轴状态振动信号通过多通道采集设备进行传输到上位机 软件中。 8.根据权利要求6所述的一种基于深度学习的大型回转装备主轴健康预警模型建立装 置， 其特征在于， 在所述特征提取模块中， 所述时域的特征包括有量纲特征和无量纲特征， 所述有量纲特征包括有效值、 平均值、 标准差、 最大值和最小值， 所述无量纲特征包括波形 因子、 峰值因子、 脉冲因子和峭度因子； 所述频域的特 征包括重心频率、 平均频率、 均方根频率和频率标准差； 所述时频域的特征为所述主轴状态振动信号经过小波包分解， 各分解频带的能量占 比。 9.根据权利要求6所述的一种基于深度学习的大型回转装备主轴健康预警模型建立装 置， 其特征在于， 所述降维处理模块包括降维子模块， 该降维子模块用于通过主成分分析算 法对所述多维特 征进行降维处 理。 10.一种计算机设备， 包括存储器和 处理器， 所述存储器中存储有计算机程序， 其特征权　利　要　求　书 2/3 页 3 CN 114354184 A 3