CN112541233A - 基于改进卷积神经网络的旋转机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进卷积神经网络的旋转机械故障诊断方法，其包括以下步骤：(1)采集一维时间序列故障数据，获取原始故障数据集；(2)将获取的原始故障数据集的数据进行预处理操作，所述预处理包括：标准化、数据截断和数据重构；(3)将预处理后的每类故障的样本划分为训练集、验证集和测试集；(4)建立改进的卷积神经网络故障诊断模型，该模型包含有输入层、特征提取层、降维减参层和softmax分类输出层，降维减参层包含有1×1的过渡卷积层和全局均值池化层；(5)模型的训练与测试；所述诊断模型可自动对故障数据自动提取特征和诊断，无需任何手工特征提取操作，使人们对旋转机械故障诊断更方便快捷。

Description

基于改进卷积神经网络的旋转机械故障诊断方法

技术领域

本发明属于旋转机械故障诊断及检测的技术领域，更具体的，涉及一种基于改进卷积神经网络的旋转机械故障诊断方法。

背景技术

随着现代工业技术的快速发展，旋转机械装备日益朝着高速化、精密化、自动化和集成化方向快速发展，旋转机械主要包含动力装置，如柴油机、汽轮机、发动机、电动机等，还包含旋转部件，如轴承、主轴等。随着旋转机械的工作环境多样化，尤其是在复杂多变的工作环境下长时间连续运行时，常因其工作负荷重，负载多变以及受盐碱腐蚀和高温等影响易于发生各类故障。若故障无法有效及时的诊断和排除，在强耦合状态下一旦故障危害蔓延将可能带来重大损失。因此对旋转机械的故障诊断与状态在线监测对保障设备的安全稳定运行至关重要。

在本发明之前，目前市面上针对旋转机械的故障诊断和状态监测的产品或方法较为稀少，运用较多的仍是传统的“事后维修”、“计划维修”和“定时维护”的方式，这种方式方法往往效率十分低下且不具备智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足技术人员智能故障诊断和在线状态监测的需求。

随着机器学习研究的不断兴起，基于人工智能的故障诊断方法逐渐成为故障诊断领域研究的热点。智能诊断方法通常包含特征提取、特征选择和故障分类三个步骤，特征提取是对传感器采集的原始数据信号进行时域、频域和时-频域的处理，提取出代表故障特征的有用信号用于后续的故障识别，目前常用的方法有小波变换法(WT)、谱分析法(SA)、经验模态分解法(EMD)和傅里叶变换法(FFT)等。特征选择是在提取后的特征中剔除灵敏度低、效用低的特征，从而精减特征个数，常用的方法主要包括主元分析法(PCA)和独立元分析法(ICA)等。故障分类是将精选的特征输入故障分类器进行模式识别，通过反复迭代训练最终输出故障分类结果，BP神经网络（BPNN）、支持向量机（SVM）和K近邻法（KNN）已被广泛作为后端的故障分类器，并取得了较好的效果。经过多年的应用验证，以上三种方法因其浅层的网络结构导致特征提取能力较差，已难以适应如今大数据样本环境下的应用。目前业内学者通常采用手工特征提取和浅层机器学习方法相结合的方法进行智能故障诊断。上述现有智能故障诊断方法中虽已应用并取得一定成效，但是仍然突显出三大不足：(1)必须掌握各种先进的信号处理技术用于特征提取，特征选择必须依赖于工程师凭经验和专业知识完成，存在较大的主观和盲目性；(2)特征提取主要用于解决特定故障问题，通用性差，且在海量数据样本环境下难以完成；(3)人工提取的故障特征不全面，对反映微小故障的特征易误删和被噪音掩盖。产生上述缺陷的主要原因是现有的智能故障诊断方法中使用的网络模型大多是浅层结构，其特征提取能力较弱。

卷积神经网络(Convolutional Neural Network, CNN)是深度学习重要的分支之一，它具有强大的特征提取能力，目前主要应用于图像识别。近年来有部分学者将CNN应用于故障诊断领域，中国发明专利（一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，申请号：CN201810240234.1）公开的一种旋转机械故障诊断方法，虽然用到了卷积神经网络，但是仍存在两大缺陷，其一，该方法仍然需要对原始故障数据使用传统的特征提取方法（短时傅里叶变换）进行特征提取前处理，未能充分利用卷积神经网络强大的特征提取能力，限制了故障诊断效果的进一步提升；其二是传统的卷积神经网络参数量过多的问题，传统的卷积神经网络中包含有一个2~3层的全连接层网络结构部分，通常位于最后一个池化层与Softmax分类输出层之间，由于该全连接层的存在所产生的训练参数量占据了CNN总参数量的80%~90%，这一缺陷将CNN通过池化降维减少参数量的优势大幅抵消，全连接层的结构既占用了过多的计算资源，同时又容易引起CNN模型训练过拟合，尤其是包含多个隐含层的全连接层，CNN模型参数量将随全连接层数的增加呈指数级增涨，从而导致传统CNN模型因参数量过多使得在用在于故障在线诊断时测试耗时过长，不利于故障的实时快速诊断。

发明内容

针对现有技术存在的上述缺陷或待改进需求，本发明提供一种基于改进卷积神经网络的旋转机械故障诊断方法，该方法针对传统卷积神经网络的结构进行改进设计，本发明设计了全局均值池化层代替全连接层结构，极大的减少了模型训练参数量和计算时间，使得提出的方法更适用于故障的在线监测和快速诊断。“端到端”的方法结构使整个诊断过程无需任何手工特征提取，摆脱了现有故障诊断方法过度依赖专家先验知识的不足。本发明能够自动对旋转机械进行故障诊断，并实时对旋转机械工作状态进行在线监测，使技术人员和设备维护人员更好的掌握设备当前的运行状况，使技术人员对旋转机械的故障诊断、运行状态的监测更加灵活方便。

为实现上述目的，本发明提供了一种基于改进卷积神经网络的旋转机械故障诊断方法，其包括以下步骤（1）至步骤（7）。

（1）采集一维时间序列故障数据，获取原始故障数据集，将振动加速度传感器设置在旋转机械上，利用所述振动加速度传感器采集旋转机械在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，该数据集包含1个正常状态和s-1个故障状态。

（2）将获取的原始故障数据集中的所有一维时间序列故障数据进行数据预处理操作，所述预处理包括：标准化、数据截断和数据格式重构；首先，对采集到的所述一维时间序列故障数据进行标准化数据处理，将所有数据点的值的量级转变为0~1之间，标准化的方法为：X={x _i }=(x _i -x _min)/(x _max-x _min)；其次，对标准化后的一维时间序列数据进行等分截断，得到h个等长的一维时间序列小数据段（假设每个小数据段的长度为k个数据点，k的取值为100~10000），每个小数据段即是一个样本，s个一维时间序列原始数据段即可得到s×h个故障样本；然后，将每个长度为k的小数据段的一维时间序列数据形式进行格式重构为二维特征图[m,n]（假设每张特征图的尺寸为m×n=k），按照此方法，即可获得s×h个故障样本二维特征图。

（3）将预处理后的每类故障的h个样本划分为训练集、验证集和测试集，划分方法为：在预处理后的每类故障的h个样本中随机的选取30%的样本数量作为测试集，再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集。

（4）建立改进的卷积神经网络故障诊断模型，将训练集的数据样本输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。

（5）运用验证集的样本数据对训练过程中的CNN模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，当训练集和验证集上的准确率均随着训练轮数的增加而增涨且训练集上的准确率高于验证集上的准确率，说明模型参数训练正常，继续执行步骤(6)，当训练集和验证集上的准确率均随着训练轮数的增加而增涨而训练集上的准确率开始低于验证集上的准确率，说明此时模型参数训练已出现过拟合，则停止模型训，跳转到步骤(4)，重新修改改进的CNN模型参数，依此反复执行，直到获取合适的CNN模型超参数和验证准确率为止。

（6）当验证准确率达到设定的目标值或训练迭代次数时，模型结束训练，同时保存最佳的CNN诊断模型参数。

（7）最后将测试集的样本数据输入到已训练的改进CNN故障诊断模型中完成最终的测试，得到最终的故障诊断结果。

本发明设计了，所述改进卷积神经网络故障诊断模型包含有输入层、特征提取层、降维减参层和softmax分类输出层，特征提取层包含有第一卷积层、第一池化层、第二卷积层、第二池化层，在特征提取层与softmax分类输出层之间设置了降维减参层用于替代传统卷积神经网络的全连接网络层，所述降维减参层包含有一个卷积核为1×1的过渡卷积层和一个全局均值池化层，1×1的过渡卷积层用于接收第二池化层的输出特征图，全局均值池化层的输出特征图直接作为softmax分类输出层的输入，以上各层之间首尾依次相连接，构成完整的改进卷积神经网络诊断模型。

本发明设计了，所述改进卷积神经网络故障诊断模型的输入层，输入层用于接收旋转机械的原始故障一维时间序列数据，其特征是：输入层对采集到的所述一维时间序列故障数据进行标准化、数据截断和数据格式重构操作，最后把所述的重构后的二维特征图输送给所述改进的卷积神经网络诊断模型的特征提取层的第一卷积层。

本发明设计了，所述二维特征图的建构方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图。

通过本发明所设计的以上技术方案与现有技术相比，本发明提供的基于改进卷积神经网络的旋转机械故障诊断方法，通过1×1的过渡卷积层和一个全局均值池化层代替传统CNN模型的全连接层网络结构，可以实现对传统CNN全连接层训练参数量的极大缩减，在保障诊断准确率的前提下减少模型的计算时间，有效提高模型的诊断速度和效率，使本发明更适合于故障的快速诊断。

同时，本发明无需任何手工特征提取操作，也不需要操作者掌握复杂的多种先进信号处理技术，本发明可以直接将原始故障数据输入到改进的卷积神经网络故障诊断模型，诊断模型可以自动对旋转机械的一维时间序列故障数据进行数据格式重构、特征自动提取和故障诊断，最终诊断结果自动输出，整个诊断过程属于“端到端”的操作，具有更好的可操作性和更低的使用门槛，使故障诊断从业者对旋转机械故障诊断更方便快捷。

附图说明

图1是基于改进卷积神经网络的旋转机械故障诊断方法的方法流程图。

图2是图1的改进的卷积神经网络模型的结构示意图。

图3为本发明一个较佳实施例的故障诊断框架图。

图4为本发明的一维时间序列数据重构示意图。

图5为本发明的一个较佳实施例的旋转机械故障数据生成试验台示意图。

具体实施方式

为了更好地理解本发明，下面结合附图和实施例对本发明进一步的描述。应该理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅附图1~附图5，本发明优选的实施方式提供的基于改进卷积神经网络的旋转机械故障诊断方法，其包含步骤一至步骤七。

步骤一，采集旋转机械一维时间序列故障振动信号。具体地，在所述旋转机械上设置振动加速度传感器，使用所述振动传感器采集旋转机械在正常状态和s-1个故障状态下的一维时间序列原始故障数据，以此组成具有s个一维时间序列数据段的原始故障数据集。

步骤二，将获取的原始故障数据集中的所有一维时间序列故障数据进行数据预处理操作，所述预处理包括：标准化、数据截断和数据格式重构；首先，对采集到的所述一维时间序列故障数据进行标准化数据处理，将所有数据点的值的量级转变为0~1之间，标准化的方法为：X={x _i }=(x _i -x _min)/(x _max-x _min)；其次，对标准化后的一维时间序列数据进行等分截断，得到h个等长的一维时间序列数据段，例如，所述s个一维时间序列原始数据段，假设每一个原始数据段包含100000个数据点，若等分200份，则可获得200个小数据段，每个小数据段即是一个样本，s个一维时间序列原始数据段即可得到s×h个故障样本；最后，对每一个小数据段执行数据格式重构，按照附图4所示的方法，假设每个数据段的长度为500个数据点，将包含500个数据点的数据段等分为25份，每份包含20个数据点，排列顺序为：第1份20个数据点放在第1行，第2份20个数据点放在第2行，第3份20个数据点放在第3行，依次排序，……，第25份20个数据点放在第25行，从而得到一个25×20的特征图，即重构后的数据形式标记为二维特征图[25,20]（表示每张特征图的尺寸为25×20=500），按照此方法，即可获得s×h个故障样本二维特征图。

步骤三，将预处理后的每类故障的h个样本划分为训练集、验证集和测试集，划分方法为：在预处理后的每类故障的h个样本中随机的选取30%的样本数量作为测试集，再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集。

步骤四，建立改进的卷积神经网络故障诊断模型，所述改进卷积神经网络故障诊断模型如图2所示，包含有输入层1、特征提取层2、降维减参层3和softmax分类输出层4，特征提取层2包含有第一卷积层21、第一池化层22、第二卷积层23、第二池化层24，在特征提取层2与softmax分类输出层4之间设置了降维减参层3用于替代传统卷积神经网络的全连接网络层，所述降维减参层3包含有一个卷积核为1×1的过渡卷积层31和一个全局均值池化层32，1×1的过渡卷积层31用于接收第二池化层24的输出特征图，全局均值池化层32的输出特征图直接作为softmax分类输出层4的输入，输入层1用于接收旋转机械的原始故障一维时间序列数据，输入层对采集到的所述一维时间序列故障数据进行标准化、数据截断和数据格式重构操作，最后把所述的重构后的二维特征图10输送给所述改进的卷积神经网络诊断模型的特征提取层2的第一卷积层21，所述输入层1、第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1的过渡卷积层31、全局均值池化层32和softmax分类输出层4之间首尾依次相连接，构成完整的改进卷积神经网络诊断模型；将训练集的数据样本输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。

步骤五，运用验证集的样本数据对训练过程中的CNN模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，当训练集和验证集上的准确率均随着训练轮数的增加而增涨且训练集上的准确率高于验证集上的准确率，说明模型参数训练正常，继续执行步骤(6)，当训练集和验证集上的准确率均随着训练轮数的增加而增涨而训练集上的准确率开始低于验证集上的准确率，说明此时模型参数训练已出现过拟合，则停止模型训，跳转到步骤(4)，重新修改改进的CNN模型参数，依此反复执行，直到获取合适的CNN模型超参数和验证准确率为止。

步骤六，当验证准确率达到设定的目标值或训练迭代次数时，模型结束训练，同时保存最佳的CNN诊断模型参数。

步骤七，最后将测试集的样本数据输入到已训练的改进CNN故障诊断模型中完成最终的测试，得到最终的故障诊断结果。

在图3中包含三个模块：最底层为故障数据采集模块，最上层为故障诊断的结果输出模块，中间层为改进的CNNs模块。

在本实施例中，为了进一步说明本发明提供的基于改进卷积神经网络的旋转机械故障诊断方法在针对旋转机械进行故障诊断的可行性和有效性，在本实施例中，再以美国凯斯西储大学的电气工程实验室的轴承实验台（如图5所示）的轴承数据进行应用示例说明和验证。

如图5所示，本实施例的实验中，将振动加速度传感器安装在电机的驱动端正上方的位置处采集故障轴承的振动加速度信号，本实施例中对11种轴承故障状态和1个正常状态组成的12种机械健康状态进行分类诊断，每一个健康状态类型包含有100,000个数据点，等分200份，每份包含500个数据点，按照图4所述的数据重构方法将500个数据点的一维时间序列数据重构为[25,20]的二维特征图，即每个故障类型包含200个[25,20]的二维特征图样本，如表1所示。

表1：实验轴承的故障数据集。

将每个故障类型的200个样本取30%作为测试集（200×0.3=60个），剩余的70%中取出20%作为验证集（200×0.7×0.2=28个），其余的80%作为训练集（200×0.7×0.8=112个），本实验中包含12种状态类型，因此，总的训练集样本数为1344个（12×112＝1344）、总的验证集样本数为336个（12×28＝336）、总的测试集样本数为720个（12×60＝720）。

本实施例中，所选用的改进卷积神经网络诊断模型如图2所示，包含有依次相连接的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1的过渡卷积层31、全局均值池化层32和softmax分类输出层4，本实验详细的故障诊断模型超参数见表2所示。

表2：改进的CNNs模型超参数。

在本实施例中，在表2所示的本实验所设计的改进的CNNs故障诊断模型的数据处理流程为：输入样本的特征图格式为[25,20]，第一卷积层21采用64个2×2的卷积核分别对输入特征图[25,20]进行同卷积运算，得到64通道的输出特征图：[25,20,64]；然后由所述第一池化层22对第一卷积层21的输出特征图[25,20,64]进行池化操作，所述第一池化层22的池化核为2×2，池化操作后得到[12,10,64]的特征图；然后再由第二卷积层23对第一池化层22的输出特征图[12,10,64] 进行第二次卷积操作，所述第二卷积层23采用32个2×2的卷积核分别对特征图[12,10,64]进行同卷积运算，得到32通道的输出特征图：[12,10,32]；然后再由所述第二池化层24对第二卷积层23的输出特征图[12,10,32]进行池化操作，所述第二池化层24的池化核为2×2，池化操作后得到[6,5,32]的特征图；然后再由1×1的过渡卷积层31对第二池化层24的输出特征图[6,5,32]进行第三次卷积操作，所述第三卷积层31采用12个1×1的卷积核分别对特征图[6,5,32]进行同卷积运算，得到12通道的输出特征图：[6,5,12]；然后再在第三卷积层31之后设置全局均值池化层32，所述全局均值池化层32采用12个6×5的池化核对第三卷积层31的输出特征图[6,5,12]进行全局均值池化计算，对每一个[6,5]的特征图内的所有值得一个全局平均值[1,12]；最后，将[1,12]的特征向量输入到Softmax分类输出层4完成最后的故障分类，如表2所示。

所述改进的卷积神经网络的输出采用“One-hot”编码方法，定义如下：如果输入特征图对应第1种健康状态，则输出为[1,0,0,0,0,0,0,0,0,0,0,0]，若输入特征图对应第2种健康状态，则输出为[0,1,0,0,0,0,0,0,0,0,0,0]，依次类推，若输入数据对应第12种健康状态，则输出为[0,0,0,0,0,0,0,0,0,0,0,1]。

本发明提供的基于改进卷积神经网络的旋转机械故障诊断方法与同规模的传统CNN相比，参数量明显减少，如表3所示，采用传统CNNs-全连接网络的模型参数总数为92,140个，而采用本发明提出的模型参数量仅为9,096个。

表3：CNN模型训练参数对比表。

名称	改进的CNNs	CNNs-全连接
			输入层	0	0
卷积层1	320	320
			池化层1	0	0
卷积层2	8244	8224
			池化层2	0	0
1×1的过渡卷积层	396	无
			全局均值池化层	0	无
第1全连接层	无	82048
			第2全连接层	无	1548
Softmax分类器	0	0
			总参数量	9096	92140

本发明提供的基于改进卷积神经网络的旋转机械故障诊断方法与同规模的传统CNN相比，准确率有所提高，且故障的测试时间和训练时间显示减少，如表4所示。对比表4可知，改进的CNNs相比传统的全连接CNN性能得到明显提升。在准确率方面：改进的CNNs准确率已达到99.04%，而传统的CNNs准确率为98.75%；在时间方面，改进的CNNs因为去除了全连接部分使模型参数量大量减少，其训练时间明显减少，更重要的是测试时间仅为0.198秒，这对本发明应用于故障的在线快速诊断和监测具有重要意义。

表4：故障诊断结果对比表。

名称	测试准确率	训练时间	测试时间
				改进的CNNs方法	99.04%	229.53秒	0.198秒
传统的CNNs方法	98.75%	248.96秒	0.279秒

本发明提供的基于改进卷积神经网络的旋转机械故障诊断方法，通过1×1的过渡卷积层和一个全局均值池化层代替传统CNN模型的全连接层网络结构，可以实现对传统CNN全连接层训练参数量的极大缩减，在保障诊断准确率的前提下减少模型的计算时间，有效提高模型的诊断速度和效率，使本发明更适合于故障的快速诊断。

本发明无需任何手工特征提取操作，也不需要操作者掌握复杂的多种先进信号处理技术，本发明可以直接将原始故障数据输入到改进的卷积神经网络故障诊断模型，诊断模型可以自动对旋转机械的一维时间序列故障数据进行数据格式重构、特征自动提取和故障诊断，最终诊断结果自动输出，整个诊断过程属于“端到端”的操作，具有更好的可操作性和更低的使用门槛，使故障诊断从业者对旋转机械故障诊断更方便快捷。

还应当指出，本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，本技术领域技术人员在本发明内容的基础上作常规的显而易见的小改进或小组合，只要技术内容包含在本发明所记载的内容范围之内的技术内容均应在本发明的保护范围之内。

Claims (4)

1.一种基于改进卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：

（1）采集一维时间序列故障数据，获取原始故障数据集，将振动加速度传感器设置在旋转机械上，利用所述振动加速度传感器采集旋转机械在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，该数据集包含1个正常状态和s-1个故障状态；

（2）将获取的原始故障数据集中的所有一维时间序列故障数据进行数据预处理操作，所述预处理包括：标准化、数据截断和数据格式重构；首先，对采集到的所述一维时间序列故障数据进行标准化数据处理，将所有数据点的值的量级转变为0~1之间，标准化的方法为：X={x _i }=(x _i -x _min)/(x _max-x _min)；其次，对标准化后的一维时间序列数据进行等分截断，得到h个等长的一维时间序列小数据段（假设每个小数据段的长度为k个数据点，k的取值为100~10000），每个小数据段即是一个样本，s个一维时间序列原始数据段即可得到s×h个故障样本；然后，将每个长度为k的小数据段的一维时间序列数据形式进行格式重构为二维特征图[m,n]（假设每张特征图的尺寸为m×n=k），按照此方法，即可获得s×h个故障样本二维特征图；

（3）将预处理后的每类故障的h个样本划分为训练集、验证集和测试集，划分方法为：在预处理后的每类故障的h个样本中随机的选取30%的样本数量作为测试集，再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集；

（4）建立改进的卷积神经网络故障诊断模型，将训练集的数据样本输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参；

（5）运用验证集的样本数据对训练过程中的CNN模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，当训练集和验证集上的准确率均随着训练轮数的增加而增涨且训练集上的准确率高于验证集上的准确率，说明模型参数训练正常，继续执行步骤(6)，当训练集和验证集上的准确率均随着训练轮数的增加而增涨而训练集上的准确率开始低于验证集上的准确率，说明此时模型参数训练已出现过拟合，则停止模型训，跳转到步骤(4)，重新修改改进的CNN模型参数，依此反复执行，直到获取合适的CNN模型超参数和验证准确率为止；

（6）当验证准确率达到设定的目标值或训练迭代次数时，模型结束训练，同时保存最佳的CNN诊断模型参数；

（7）最后将测试集的样本数据输入到已训练的改进CNN故障诊断模型中完成最终的测试，得到最终的故障诊断结果。

2.根据权利要求1所述的基于改进卷积神经网络的旋转机械故障诊断方法，其特征在于，所述改进卷积神经网络故障诊断模型包含有输入层、特征提取层、降维减参层和softmax分类输出层，所述特征提取层包含有第一卷积层、第一池化层、第二卷积层、第二池化层，所述特征提取层与softmax分类输出层之间设置了降维减参层用于替代传统卷积神经网络的全连接网络层，所述降维减参层包含有一个卷积核为1×1的过渡卷积层和一个全局均值池化层，1×1的过渡卷积层用于接收第二池化层的输出特征图，全局均值池化层的输出特征图直接作为softmax分类输出层的输入，以上各层之间首尾依次相连接，构成完整的改进卷积神经网络诊断模型。

3.根据权利要求2所述的基于改进卷积神经网络的旋转机械故障诊断方法，其特征在于，所述改进卷积神经网络故障诊断模型的输入层，输入层用于接收旋转机械的原始故障一维时间序列数据，输入层对采集到的所述一维时间序列故障数据进行标准化、数据截断和数据格式重构操作，最后把所述的重构后的二维特征图输送给所述改进的卷积神经网络诊断模型的特征提取层的第一卷积层。

4.根据权利要求1、2或3所述的基于改进卷积神经网络的旋转机械故障诊断方法，其特征在于，所述二维特征图的建构方法设置为：将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图。

Images