技术特征：
1.一种基于孪生神经网络的航发轴承故障诊断方法，其特征在于，该方法包括以下步骤：(1)采集航发轴承不同运行状态下的振动信号，并进行标记及预处理；(2)遍历预处理后的训练数据，并将训练数据两两输入孪生神经网络模型以对该孪生神经网络模型进行训练；其中，所述孪生神经网络模型包括两个结构完全相同的子网络，且两个子网络之间权重共享；单独的子网络由并行的两部分结构组成，分别称为第一部分及第二部分，其中第一部分依次包括一个卷积层、一个最大池化层、两个二层残差学习单元以及一个全局平均池化层；第二部分由两个长短期记忆模块构成；(3)将预处理后的待诊断的轴承数据与轴承各类运行状态的代表样本一同输入训练好的孪生神经网络模型，以进行故障类型识别。2.如权利要求1所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：卷积层与残差学习单元中的卷积核数均为n，步长为1；经过全局平均池化层后，子网络的第一部分输出一个n
×
1维的向量；第二部分输出一个k
×
1维的向量，第一部分与第二部分输出的向量进行拼接得到一个(n+k)
×
1维的特征向量。3.如权利要求2所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：滑窗操作时在特征图四周补0，当m为奇数时，填补的长度设置为当m为偶数时，在特征图左端和上端填补长度设置为而在右端和下端填补长度设置为4.如权利要求2所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：对于孪生神经网络模型得到的两个特征向量x
p
、x
q
，采用欧式距离来表征二者的相似性程度d：d(x
p
,x
q
)＝‖x
p-x
q
‖2；孪生神经网络模型的损失函数为j(w,y,x
p
,x
q
)：其中，w代表孪生神经网络模型各部分结构中的权重等参数；y代表输入样本的类别因子。5.如权利要求1所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：步骤(1)中对振动信号进行预处理时，首先，对采集到的原始振动信号进行等长度截取；之后，对截取的信号进行s变换处理以得到时频矩阵；最后，采用双线性插值对得到的时频矩阵进行压缩处理。6.如权利要求5所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：原始信号长度为l，拟待分析信号段的长度为l，拟扩充的样本倍数为n，需要满足l≥nl，扩充后第i个样本的起始点位置a
i
满足下式：a
i
＝(i-1)l+1，i＝1,2,
…
,n。7.如权利要求6所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：对于待分析的信号h(t)，其s变换后的时频矩阵h(f,τ)按下式进行计算：
其中，ω(t-τ,f)代表高斯窗函数；f代表频率，单位为hz；τ代表平移因子，单位为s；t代表时间，单位为s；j代表虚数单位，j2＝-1。8.如权利要求7所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：信号经s变换后得到的时频矩阵中时域信息分辨率δt和频域信息分辨率δf满足heisenberg不确定性原理，而时间窗长度a决定了δt和δf。
技术总结
本发明属于轴承故障诊断相关技术领域，其公开了一种基于孪生神经网络的航发轴承故障诊断方法，包括以下步骤：(1)采集航发轴承不同运行状态下的振动信号；(2)遍历预处理后的训练数据，并将训练数据两两输入孪生神经网络模型进行训练；孪生神经网络模型包括两个结构完全相同的子网络，且两个子网络之间权重共享；单独的子网络由并行的两部分结构组成，第一部分依次包括一个卷积层、一个最大池化层、两个二层残差学习单元以及一个全局平均池化层；第二部分由两个长短期记忆模块构成；(3)将预处理后的待诊断的轴承数据与轴承各类运行状态的代表样本输入孪生神经网络模型，以进行故障类型识别。本发明提高了诊断准确率。本发明提高了诊断准确率。本发明提高了诊断准确率。
技术研发人员：史铁林 梁健强 段暕 胡铖 轩建平
受保护的技术使用者：华中科技大学
技术研发日：2022.04.26
技术公布日：2022/8/30