CN111914883A - 一种基于深度融合网络的主轴轴承状态评估方法及装置 - Google Patents

Abstract

本发明公开了一种基于深度融合网络的主轴轴承状态评估方法及装置，方法具体为：将不同工况下主轴轴承的振动信号、电流信号、温度信号等通过快速傅里叶变换转换成频谱信号，取其低频成分经过处理后制成训练集与测试集；构建基于Inception模块和卷积神经网络的Inception分支网络，再基于各Inception分支网络提取的特征构造中心层融合网络，由分支网络和中心层融合网络构成深度融合网络实现对变工况主轴轴承的状态评估，本发明构造的深度学习网络，且通过对多种传感信息的耦合特征进行充分挖掘，弥补了单一信号特征难以全面表征主轴轴承运行状态的不足，提高了主轴轴承状态评估的准确性；多源信息融合的角度充分提取各传感数据的耦合信息，增强对噪声和不同工况的鲁棒性。

Description

一种基于深度融合网络的主轴轴承状态评估方法及装置

技术领域

本发明属于主轴轴承状态评估领域，具体涉及一种基于深度融合网络的主轴轴承状态评估方法及装置。

背景技术

主轴轴承作为数控机床的关键零部件,其性能对于机床加工精度及可靠性寿命具有重要的影响。由于主轴轴承通常工作在高压、高负载的环境中，所以轴承很容易发生各种各样的故障。据统计说明，主轴系统中约有40％的故障是由滚动轴承引起的。主轴轴承一旦发生故障，如果不能及时地检测到，不仅会影响正常地生产周期，而且可能会产生重大地机械事故。因此对主轴轴承的健康监测以及状态评估是很有必要的。

传统的轴承评估诊断方法通常是通过人工提取信号中的特征设定阈值来评估轴承的状态，如中国专利CN106323635A《一种滚动轴承故障在线检测与状态评估方法》通过提取时域、频域的统计参数以及小波包络谱中的无量纲参数获得重构特征向量，以特征向量的2范数实现滚动轴承的故障检测与状态评估。中国专利CN105528504A《基于CFOA-MKHSVM的滚动轴承健康状态评估方法》对从轴承振动信号中提取的时域、频域统计特征以及小波包的时频特征应用超球体支持向量机识别并进行多核凸组合优化，提出归一化差别系数作为评估指标。然而，提取出包含丰富与轴承状态相关的特征需要丰富的信号处理理论作为支撑，特征的筛选优化以及评估指标的设定也需要大量的先验知识。此外，在实际的工业应用中，复杂的环境和不断变化的加工条件会导致其状态评估效果较差。随着人工智能技术的发展，由于其出色的特征提取能力以及非线性拟合能力，越来越多的研究者开始关注人工智能技术在轴承状态评估方面的应用。中国专利CN109902399A《一种基于ATT-CNN的变工况下滚动轴承故障识别方法》将注意力机制(AAT)的思想融入到卷积神经网络中，基于改进的卷积神经网络提取轴承振动信号的特征用于变工况故障识别。中国专利CN110672323A《一种基于神经网络的轴承健康状态评估方法及装置》通过自组织网络将轴承数据划分为多个特征集，以每个特征集的方差值和所有特征集的平均方差值确定轴承健康状态的类别。随后中国专利CN111122161A《一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法》将轴承的振动信号转换成一系列谱峭度图，输入到深度残差网络中进行轴承健康状态的判断。这些人工智能方法不需要复杂的信号处理理论，特征学习更加智能，模型也更简单。然而，这些方法中都仅是使用轴承振动信号作故障判别，不同的信号对轴承的故障特征敏感程度不同，单一的一种信号很难全面反映轴承的故障特征，进而会导致轴承故障判别的失败。

主轴轴承的信号中通常含有大量的噪声及干扰成分，尤其在变工况的条件下，如何从信号中提取高质量的、能够充分反映轴承故障的特征是研究的关键。且轴承作为主轴系统中的关键部件，在运行过程中不可避免的会和其他部件相互影响，单一信号特征往往难以全面表征设备的运行状态，使故障诊断的准确性降低，甚至出现漏检或误诊。通过对多源信息的融合处理，从而获得比单一信息更全面更丰富的综合信息，根据综合信息对变工况轴承的状态作出的评估，更为可靠。但是现在综合利用电流、振动、温度等多源信息融合对变工况下主轴轴承状态评估的研究几乎没有。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于深度融合网络的主轴轴承状态评估方法及装置，综合利用电流、振动、温度等多源信息融合对变工况下主轴轴承状态评估，构建深度融合网络，充分提取各传感数据的耦合信息，利用这种特性，能够学习更多更复杂的特征，增强对噪声和不同工况的鲁棒性。

为了实现上述目的，本发明采用的技术方案是，一种基于深度融合网络的主轴轴承状态评估方法，包括以下步骤：

步骤1，使用多种传感器在不同的工况下采集主轴轴承不同状态的原始信号数据，基于原始信号数据构建多源信息数据集，所述的不同工况是主轴轴承运行速度和负载不同；

步骤2，对步骤1所采集的原始信号数据按时间序列分割成子样本信号x，对子样本信号x应用快速傅里叶变换并进行归一化处理得到频谱数据

根据主轴轴承的运行状态给子样本信号添加相应的类别标签q，采用标签平滑正则化方法更新所有子样本信号的类别标签q得到更新后的类别标签

然后根据主轴轴承的运行工况将不同的运行工况划分训练集T_train与测试集T_test；

步骤3，构建基于多源信息融合的深度融合网络，构建的深度融合网络包括多个Inception分支网络以及一个中心层融合网络，多个Inception分支网络用于提取单传感数据的特征，中心层融合网络用于提取多源信息融合的耦合特征；并利用步骤2所述训练集T_train训练所述深度融合网络，即得到训练完成的主轴轴承状态评估模型，然后利用训练完成的主轴轴承状态评估模型对变工况下主轴轴承的状态进行评估。

步骤1中，原始信号数据包括多种工况下不同状态主轴轴承的振动、电流以及温度信号；采集原始信号数据时，采样频率40KHz以上。

步骤2中，对步骤1所述多源信息数据集制作训练集T_train与测试集T_test的具体步骤为：

1)采用移动时窗对信号进行分割，得到子样本信号x；

2)对1)所得子样本信号x应用快速傅里叶变换获得频谱图，并过滤高频成分，只保留其中的低频频谱信号z；

3)对2)所得低频频谱信号z进行归一化处理：

式中u表示低频频谱信号的均值，s表示低频频谱信号的标准差，

表示预处理后的子样本信号；

4)对3)预处理后的子样本信号

根据其对应的主轴轴承的状态，以one-hot编码的形式添加类别标签q；

5)采用标签平滑正则化方法更新4)添加的所有子样本信号

的类别标签q，得到更新后的类别标签

式中q表示样本的真实概率分布，

是平滑因子，u是是人为引入的一个固定分布，为概率分布引入固定分布的噪声；

6)根据工况的类别划分训练集T_train与测试集T_test。

Inception分支网络的具体构建方式如下：

步骤31，搭建一维卷积层，通过卷积核自适应的提取信号的特征信息；

步骤32，利用一维池化层，对步骤31所得卷积层提取的特征信息进行降维，去除冗余信息；

步骤33，搭建Inception层，Inception层几个具有不同大小卷积核的并行卷积层和一个并行池化层，卷积层和池化层分别为步骤32和步骤33所搭建，通过不同大小的卷积核自适应的提取主轴轴承不同尺度的信息；

步骤34，通过全连接层以及SoftMax分类器输出Inception层预测的主轴轴承状态类别的概率。

中心层融合网络地具体构建方式如下：

首先，拼接各Inception分支网络提取的特征：

式中

表示拼接操作，

分别表示各Inception分支网络中第k+1层提取的特征；

其次，进行卷积操作融合各Inception分支网络提取的特征：

g_k+1＝σ(w_k+1*f_k+1)

式中，w_k+1表示第k+1层的卷积核，*表示卷积操作，σ表示线性修正单元激活函数；

然后，融合来自中心层融合网络不同网络层的特征：

h_k+1＝αh_k+βg_k+1

式中，α，β表示权值，h_k，h_k+1分别表示中心层融合网络第k层和第k+1的输出；

最后，前向传播并通过SoftMax函数输出中心层融合网络预测主轴轴承状态类别的概率。

深度融合网络构建的具体过程如下：

(1)由Inception分支网络提取单传感数据的特征信息，中心层融合网络自适应的融合多传感数据的特征，取中心层融合网络的输出作为最终的判定结果；

(2)得到中心层融合网络的输出后，计算中心层融合网络的损失函数loss，损失函数定义为所有网络层损失值的加权和：

式中loss_c表示中心网络层的损失值，loss_j表示分支网络的损失值，θ_j表示权值系数，

表示更新后的真实标签向量，p表示归一化后的预测概率向量；

(3)利用反向传播算法，更新深度融合网络的参数，直到深度融合网络收敛。

步骤3中，网络训练集测试过程如下：

(1)利用步骤2中划分的训练集与测试集，将一种工况下的训练集输入到深度融合网络训练；

(2)深度融合网络训练完成后，选择另一工况下的测试集进行测试得到准确度结果；

(3)然后再选择不同工况下的训练集训练深度融合网络，测试另一不同工况下的数据，直至将所有工况循环测试一遍；

(4)取所有准确度结果的平均值作为最终的诊断精度。

一种基于深度融合网络的主轴轴承状态评估装置，包括传感器、数据采集卡、处理器、存储器以及输出装置，传感器连接数据采集卡的输入端，数据采集卡连接处理器的输入端，输出装置以及存储器均与处理器通过I/O接口连接；

传感器至少包括用于采集主轴承的振动、电流以及温度信号的振动传感器、电流传感器以及温度传感器；

存储器用于存储计算机可执行指令，处理器读取并执行所述计算机可执行指令时能够执行本发明所述主轴轴承状态评估方法，并将评估结果通过输出装置输出，存储器还用于存储传感器所采集的振动、电流以及温度信号数据。

与现有技术相比，本发明至少具有以下有益效果：

本发明提取快速傅里叶变换后的低频频谱信号作为识别网络的输入数据，不仅便于网络对主轴轴承状态的精确识别，而且避免了高维数据直接作为输入增加网络的复杂度；

基于电流、振动、温度等多个类型的传感器多通道信息融合，以及深度融合网络进行变工况主轴轴承的状态评估，将多源信号通过快速傅里叶变换得到傅里叶频谱，提取低频频谱信号制成训练集与测试集，构建包含多个Inception分支网络和中心层融合网络的深度融合网络，利用训练集数据训练所述深度网络，得到训练完成的主轴轴承状态分类模型，采用主轴轴承状态分类模型能够对待测信号进行轴承状态的评估，利用分支网络和中心层融合网络充分提取了单传感数据的固有特征以及多传感数据之间的耦合特征，能够得到更全面的综合信息，且在训练时采用标签平滑正则化的方法，进一步的增强了网络模型的鲁棒性及泛化能力，提升对变工况主轴轴承状态的评估能力。

附图说明

图1为基于深度融合网络的变工况主轴轴承故障诊断方法的流程图。

图2为预处理后的一个信号样本。

图3为Inception网络层。

图4为中心层融合网络结构图。

图5为深度融合网络结构图。

图6为多工况诊断实验结果对比图。

具体实施方式

下面对本发明实施例中的技术方案做进一步的详细说明：

以德国帕德博恩大学轴承数据中心的数据集为例，验证本发明的诊断方法的有效性。

该数据集对33个不同状态的轴承进行测试，包括正常、轴承内环故障、轴承外环故障三种状态。不同轴承故障的严重程度、形成方式不同，包括人工模拟的轴承故障和寿命预测中真实损伤的故障。本发明中以64KHz的采样频率采集了轴承在不同转速和不同负载下的两相电流数据与振动数据，用于状态评估，三种不同的工况如表1所示；轴承健康状态的划分如表2所示。按照表2选定数据集，选定一种工况下的数据作训练集，选取另一种工况下的数据作测试集，验证本发明方案的故障辨识能力。

表1不同的工况

表2选择轴承健康状态数据

参考图1，本实施例的基于深度融合网络的变工况轴承的健康状态评估具体包括以下步骤：

步骤1，选择表2中轴承的振动信号数据以及电机的两相电流信号，为了验证变工况的评估情况，三种工况下的数据都需选择。

步骤2，对振动信号按时间序列分割为子样本信号，为了保证样本的均衡性，采用移动时窗对信号进行分割时需进行重叠抽样，每一个子样本信号的长度为5120，对正常状态样本每次偏移长度为2048，对非正常状态样每次偏移长度为4096，得到子样本信号x后，对子样本信号进行快速傅里叶变换，取其低频成分的信号z并进行归一化处理：

式中u表示低频频谱信号的均值，s表示低频频谱信号的标准差，

表示预处理后的子样本信号，归一化处理后的一个样本频谱信号如图2所示，所述样本频谱信号即为构造网络的输入数据；再对两相电流信号经过步骤2做同样的预处理。

然后对预处理后的子样本信号

根据其对应的轴承的状态，以one-hot编码的形式添加类别标签q，采用标签平滑正则化方法更新所有子样本信号

的类别标签q：

式中q表示样本的真实概率分布，

是平滑因子，u是人为引入的一个固定分布，可以看作是为概率分布引入固定分布的噪声，本实施例中u取平均分布。

为了验证该方法对变工况轴承状态评估的有效性，实验选择一种工况下的数据进行训练，选择另一种工况下的数据进行测试，针对A、B和C三种不同的工况，本实验工作了以下六组测试如表3，最后取其平均值。

表3实验测试组

步骤3，构建基于多源信息融合的深度融合网络实现变工况轴承的状态评估，具体包括：

(1)Inception分支网络构建：

首先，搭建一维卷积层，通过卷积核自适应的提取信号的特征信息；

其次，利用一维池化层，对卷积层提取的特征进行降维，去除冗余信息；

再次，搭建Inception层，如图3所示，图中Conv_1表示卷积核的大小为1，k₀，k₁，k₂，k₃，k₄表示通过卷积后生成的特征图个数，包括几个具有不同卷积核大小的并行卷积层和一个并行池化层，通过不同大小卷积核自适应的提取轴承不同尺度的信息，本实施例采用3个不同卷积核大小的并行卷积层。

然后，通过全连接层以及SoftMax分类器输出Inception分支网络预测轴承状态类别的概率。

(2)中心层融合网络构建，如图4所示：

首先，拼接各Inception分支网络提取的特征：

式中

表示拼接操作，

分别表示由各Inception分支网络中第k+1层从振动信号、通道1电流信号、通道2电流信号中提取的特征；

其次，进行卷积操作融合不同传感信号的特征，不同传感信号的特征为振动信号、通道1电流信号、通道2电流信号的特征：

g_k+1＝σ(w_k+1*f_k+1)

式中，w_k+1表示第k+1层的卷积核，*表示卷积操作，σ表示线性修正单元激活函数；

然后，融合来自中心层融合网络不同网络层的特征：

h_k+1＝αh_k+βg_k+1

式中，α和β表示权值系数，h_k和h_k+1分别表示中心层融合网络第k层和第k+1的输出；

最后，前向传播通过SoftMax函数输出中心层融合网络预测的轴承状态类别的概率。

中心层融合网络输出的概率作为最终的结果，它是融合了多种信号的结果，分支网络也输出一个判别结果，但它只是由一种信号训练得到的结果，在训练的过程中，要保证中心层融合网络结果准确度的同时，也尽可能提高各Inception分支网络的准确度，由于中心层融合网络的特征是由各Inception分支网络中提取的特征融合而来的，所以各Inception分支网络也会输出一个判别结果，这个结果会用来计算它跟实际值的误差，然后根据误差来进行调整，使分支网络也尽可能达到较高的精度，这样中心层融合网络就会达到更理想的结果。

(3)深度融合网络构建及参数调整：

(a)由(1)(2)步中构建的分支网络及中心层融合网络构成，如图5所示，图中Conv_32,64表示卷积核大小为32，特征图个数为64；Incept_16(64,64,32,32)表示该层为Inception层，图3中的k₀，k₁，k₂，k₃，k₄的值分别为16，64，64，32，32，由分支网络提取单传感数据的特征信息，中心层融合网络自适应的融合多传感数据的特征，以中心层融合网络的输出作为最终的评估结果；

(b)得到步骤(a)中心层融合网络的输出后，计算中心层融合网络的损失函数loss，损失函数定义为所有网络层损失值的加权和：

式中loss_c表示中心网络层的损失值，loss_j表示分支网络的损失值，θ_j表示权值系数，

表示更新后的真实标签向量，p表示归一化后的预测概率向量；

(c)利用反向传播算法，更新深度融合网络的参数，直到深度融合网络收敛，设置训练的次数为200次，训练的Batch-size为128，学习率为0.0001，网络的优化器为Adam；

(d)深度融合网络构建完成后，通过测试集验证深度融合网络的有效性。

进一步地，深度融合网络测试验证过程如下：

(a)按照步骤2中划分的训练集与测试集分别训练测试模型，记录每组测试得到的准确度；

(b)6组测试完成后，取其平均值作为最终评估结果。

为了验证该方法的有效性方，和其他常用的智能诊断方法如K最近邻(KNN)算法、带有空洞卷积的深度Inception网络(ACDIN)、带有宽卷积核的深度卷积神经网络(WDCNN)，带有Inception模块的胶囊网络(ICN)、残差网络(ResNet)等进行对比，结果如图6和表4所示：

表4实验对比结果

基于多源信息融合的深度融合网络的平均测试准确率为88.11％，而其他的一些智能方法平均准确率最高为82.05％，提高了6％，这表表明本发明提供的一种基于深度融合网络的主轴轴承的状态评估方法能够很好的评估轴承的健康状态，在复杂的数据集下也得到了较高的准确率，验证了所提出的网络的鲁棒性和有效性，具体的，从多源信息融合的角度出发对变工况下主轴轴承状态进行评估，构建深度融合网络，分支网络利用Inception网络层能够提取单传感数据更全面的特征信息，中心网络层将来自不同层次的特征信息融合，充分提取各传感数据的耦合信息，利用这种特性，能够学习更多更复杂的特征，增强对噪声和不同工况的鲁棒性。

本发明还提供一种基于深度融合网络的主轴轴承状态评估装置，包括传感器、数据采集卡、处理器、存储器以及输出装置，传感器连接数据采集卡的输入端，数据采集卡连接处理器的输入端，处理器的输出端连接输出装置，存储器与处理器通过I/O接口连接；

传感器至少包括用于采集主轴承的振动、电流以及温度信号的振动传感器、电流传感器以及温度传感器；

存储器用于存储计算机可执行指令，处理器读取并执行所述计算机可执行指令时能够执行本发明所述主轴轴承状态评估方法，并将评估结果通过输出装置输出，存储器还用于存储传感器所采集的振动、电流以及温度信号数据；作为可选的实施例，本发明采用BK3053-B-120数据采集卡；

本发明所述基于深度融合网络的主轴轴承状态评估装置在执行步骤1时，传感器实时监测主轴轴承的振动、电流以及温度，并将监测到的振动、电流以及温度变化信号通过数据采集卡传输至处理器；处理器还能将所述数据传输至存储器并存储。

优选的，输出装置采用触控显示器。

处理器从存储器中读取计算机可执行指令和步骤1所述数据，执行所述计算机可执行指令时，对步骤1所采集的信号进行处理，具体的，对步骤1所采集的原始信号数据按时间序列分割成子样本信号x，对子样本信号x应用快速傅里叶变换并进行归一化处理得到频谱数据

根据主轴轴承的运行状态以one-hot编码的形式给子样本信号添加相应的类别标签q，采用标签平滑正则化方法更新所有子样本信号的类别标签q得到更新后的类别标签

然后根据主轴轴承的运行工况将不同的运行工况划分训练集T_train与测试集T_test；

处理器执行所述计算机可执行指令时：构建基于多源信息融合的深度融合网络，构建的深度融合网络包括多个Inception分支网络以及一个中心层融合网络，分支网络用于提取单传感数据的特征，中心层融合网络用于提取多源信息融合的耦合特征；并利用训练集T_train训练所述深度融合网络，赋予所述深度融合网络具有主轴轴承状态评估能力，即得到训练完成的主轴轴承状态评估模型，然后利用训练完成的主轴轴承状态评估模型对变工况下主轴轴承的状态进行评估，最后，将所述评估结果通过输出装置输出。

Claims (8)

1.一种基于深度融合网络的主轴轴承状态评估方法，其特征在于，包括以下步骤：

步骤1，使用多种传感器在不同的工况下采集主轴轴承不同状态的原始信号数据，基于原始信号数据构建多源信息数据集，所述的不同工况是主轴轴承运行速度和负载不同；

步骤2，对步骤1所采集的原始信号数据按时间序列分割成子样本信号x，对子样本信号x应用快速傅里叶变换并进行归一化处理得到频谱数据

根据主轴轴承的运行状态给子样本信号添加相应的类别标签q，采用标签平滑正则化方法更新所有子样本信号的类别标签q得到更新后的类别标签

然后根据主轴轴承的运行工况将不同的运行工况划分训练集T_train与测试集T_test；

步骤3，构建基于多源信息融合的深度融合网络，构建的深度融合网络包括多个Inception分支网络以及一个中心层融合网络，多个Inception分支网络用于提取单传感数据的特征，中心层融合网络用于提取多源信息融合的耦合特征；并利用步骤2所述训练集T_train训练所述深度融合网络，即得到训练完成的主轴轴承状态评估模型，然后利用训练完成的主轴轴承状态评估模型对变工况下主轴轴承的状态进行评估。

2.根据权利要求1所述的基于深度融合网络的主轴轴承状态评估方法，其特征在于，步骤1中，原始信号数据包括多种工况下不同状态主轴轴承的振动、电流以及温度信号；采集原始信号数据时，采样频率40KHz以上。

3.根据权利要求1所述的基于深度融合网络的主轴轴承状态评估方法，其特征在于，步骤2中，对步骤1所述多源信息数据集制作训练集T_train与测试集T_test的具体步骤为：

1)采用移动时窗对信号进行分割，得到子样本信号x；

2)对1)所得子样本信号x应用快速傅里叶变换获得频谱图，并过滤高频成分，只保留其中的低频频谱信号z；

3)对2)所得低频频谱信号z进行归一化处理：

式中u表示低频频谱信号的均值，s表示低频频谱信号的标准差，

表示预处理后的子样本信号；

4)对3)预处理后的子样本信号

根据其对应的主轴轴承的状态，以one-hot编码的形式添加类别标签q；

5)采用标签平滑正则化方法更新4)添加的所有子样本信号

的类别标签q，得到更新后的类别标签

式中q表示样本的真实概率分布，

是平滑因子，u是是人为引入的一个固定分布，为概率分布引入固定分布的噪声；

6)根据工况的类别划分训练集T_train与测试集T_test。

4.根据权利要求1所述的一种基于深度融合网络的主轴轴承状态评估方法，其特征在于，Inception分支网络的具体构建方式如下：

步骤31，搭建一维卷积层，通过卷积核自适应的提取信号的特征信息；

步骤32，利用一维池化层，对步骤31所得卷积层提取的特征信息进行降维，去除冗余信息；

步骤33，搭建Inception层，Inception层几个具有不同大小卷积核的并行卷积层和一个并行池化层，卷积层和池化层分别为步骤32和步骤33所搭建，通过不同大小的卷积核自适应的提取主轴轴承不同尺度的信息；

步骤34，通过全连接层以及SoftMax分类器输出Inception层预测的主轴轴承状态类别的概率。

5.根据权利要求1所述的基于深度融合网络的主轴轴承状态评估方法，其特征在于，中心层融合网络地具体构建方式如下：

首先，拼接各Inception分支网络提取的特征：

式中

表示拼接操作，

分别表示各Inception分支网络中第k+1层提取的特征；

其次，进行卷积操作融合各Inception分支网络提取的特征：

g_k+1＝σ(w_k+1*f_k+1)

式中，w_k+1表示第k+1层的卷积核，*表示卷积操作，σ表示线性修正单元激活函数；

然后，融合来自中心层融合网络不同网络层的特征：

h_k+1＝αh_k+βg_k+1

式中，α，β表示权值，h_k，h_k+1分别表示中心层融合网络第k层和第k+1的输出；

最后，前向传播并通过SoftMax函数输出中心层融合网络预测主轴轴承状态类别的概率。

6.根据权利要求1所述的基于深度融合网络的主轴轴承状态评估方法，其特征在于，深度融合网络构建的具体过程如下：

(1)由Inception分支网络提取单传感数据的特征信息，中心层融合网络自适应的融合多传感数据的特征，取中心层融合网络的输出作为最终的判定结果；

(2)得到中心层融合网络的输出后，计算中心层融合网络的损失函数loss，损失函数定义为所有网络层损失值的加权和：

式中loss_c表示中心网络层的损失值，loss_j表示分支网络的损失值，θ_j表示权值系数，

表示更新后的真实标签向量，p表示归一化后的预测概率向量；

(3)利用反向传播算法，更新深度融合网络的参数，直到深度融合网络收敛。

7.根据权利要求1所述的基于深度融合网络的主轴轴承状态评估方法，其特征在于，步骤3中，网络训练集测试过程如下：

(1)利用步骤2中划分的训练集与测试集，将一种工况下的训练集输入到深度融合网络训练；

(2)深度融合网络训练完成后，选择另一工况下的测试集进行测试得到准确度结果；

(3)然后再选择不同工况下的训练集训练深度融合网络，测试另一不同工况下的数据，直至将所有工况循环测试一遍；

(4)取所有准确度结果的平均值作为最终的诊断精度。

8.一种基于深度融合网络的主轴轴承状态评估装置，其特征在于，包括传感器、数据采集卡、处理器、存储器以及输出装置，传感器连接数据采集卡的输入端，数据采集卡连接处理器的输入端，输出装置以及存储器均与处理器通过I/O接口连接；

传感器至少包括用于采集主轴承的振动、电流以及温度信号的振动传感器、电流传感器以及温度传感器；

存储器用于存储计算机可执行指令，处理器读取并执行所述计算机可执行指令时能够执行权利要求1-7中任意一项所述主轴轴承状态评估方法，并将评估结果通过输出装置输出，存储器还用于存储传感器所采集的振动、电流以及温度信号数据。

Images