[發(fā)明專利]機械傳動故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法

有效

• 申請?zhí)枺?/td>: 201710118105.0
• 申請日: 2017-03-01
• 公開（公告）號: CN107016440B
• 公開（公告）日: 2019-06-11
• 發(fā)明（設(shè)計）人: 陳景龍;潘駿;訾艷陽
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 張弘

本發(fā)明公開了一種機械傳動故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法，包括以下步驟：對于一樣本集合，得到深度神經(jīng)網(wǎng)絡(luò)的初始參數(shù)；對樣本集合中所有樣本依次輸入深度神經(jīng)網(wǎng)絡(luò)，得到網(wǎng)絡(luò)輸出結(jié)果；將輸出結(jié)果與樣本標簽進行對比得到相應(yīng)的總分類誤差；利用得到的總誤差計算神經(jīng)網(wǎng)絡(luò)每層的誤差；利用深度神經(jīng)網(wǎng)絡(luò)誤差更新其網(wǎng)絡(luò)參數(shù)；以得到的新的深度神經(jīng)網(wǎng)絡(luò)計算每個樣本的網(wǎng)絡(luò)輸出結(jié)果；依次進行迭代，直到分類精度或迭代次數(shù)達到預(yù)設(shè)要求，得到并輸出分類結(jié)果及網(wǎng)絡(luò)參數(shù)。本發(fā)明直接以采集得到的機械信號作為網(wǎng)絡(luò)輸入，省去了花費于特征提取優(yōu)化的人力物力，并且通過多層神經(jīng)網(wǎng)絡(luò)的自適應(yīng)特征學(xué)習(xí)，提高了分類精度與網(wǎng)絡(luò)抗噪性。

技術(shù)領(lǐng)域

本發(fā)明涉及機械設(shè)備故障智能診斷技術(shù)，具體涉及機械傳動系統(tǒng)故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法。

背景技術(shù)

目前，傳統(tǒng)機械設(shè)備故障智能診斷技術(shù)需要首先對采集到的信號進行特征提取與優(yōu)化，才能進行相應(yīng)的分類任務(wù)學(xué)習(xí)，比如提取信號的均方根值、偏斜度、峭度、信息熵等。隨著數(shù)據(jù)量的增加及計算復(fù)雜度的顯著上升，傳統(tǒng)機械故障智能診斷算法需要耗費大量的人力物力計算敏感特征并進行特征優(yōu)化，已經(jīng)無法勝任復(fù)雜大規(guī)模數(shù)據(jù)下的智能診斷任務(wù)。傳統(tǒng)方法難以滿足目前對海量數(shù)據(jù)進行學(xué)習(xí)與智能分類的需要。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種機械傳動系統(tǒng)故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法，該方法以直接采集得到的機械設(shè)備動態(tài)信號為輸入，通過深度神經(jīng)網(wǎng)絡(luò)的自適應(yīng)特征學(xué)習(xí)，得到相應(yīng)的辨識性特征用于分類。本發(fā)明以較少的人為干預(yù)、較高的分類精度以及較高的抗噪聲干擾性能優(yōu)于常規(guī)智能分類方法。

為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種機械傳動故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法，包括下述步驟：

步驟S1，以機械傳動故障數(shù)據(jù)集作為樣本集合，并從樣本集合得到深度神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)；所述深度神經(jīng)網(wǎng)絡(luò)為基于多層卷積神經(jīng)網(wǎng)絡(luò)研究的深度神經(jīng)網(wǎng)絡(luò)，是由三個堆棧“剖分-預(yù)測-更新”結(jié)構(gòu)、一個池化層與一個全連層構(gòu)成，

步驟S2，對樣本集合中所有樣本依次輸入深度神經(jīng)網(wǎng)絡(luò)，得到網(wǎng)絡(luò)輸出結(jié)果；

步驟S3，將輸出結(jié)果與樣本標簽進行對比得到相應(yīng)的總分類誤差；

步驟S4，利用步驟S3得到的總誤差計算神經(jīng)網(wǎng)絡(luò)每層的誤差；

步驟S5，利用步驟S4得到的深度神經(jīng)網(wǎng)絡(luò)誤差更新其網(wǎng)絡(luò)參數(shù)；

步驟S6，以步驟S5中得到的更新后的深度神經(jīng)網(wǎng)絡(luò)計算每個樣本的網(wǎng)絡(luò)輸出結(jié)果；

步驟S7，返回步驟S3進行迭代，直到分類精度或迭代次數(shù)達到預(yù)設(shè)要求，得到并輸出分類結(jié)果及網(wǎng)絡(luò)參數(shù)。

所述深度神經(jīng)網(wǎng)絡(luò)采用-1到1之間的隨機數(shù)對神經(jīng)網(wǎng)絡(luò)內(nèi)的各個卷積核函數(shù)進行賦值，所有偏置項均設(shè)置為零。

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法為隨機梯度下降法；深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力由一個基于時域提升算法構(gòu)造的“剖分-預(yù)測-更新”三層網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)。

池化層的輸入為深度神經(jīng)網(wǎng)絡(luò)多個更新層輸出的總體。

深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)L表示為：

L＝0.5∑(y-o)²

其中，y為神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，o為期望結(jié)果。

步驟S2具體包括以下步驟：

從機械傳動故障數(shù)據(jù)樣本集合中隨機選擇一樣本信號，將信號輸入深度神經(jīng)網(wǎng)絡(luò)，在一個“剖分-預(yù)測-更新”結(jié)構(gòu)中，信號依次進行計算；

經(jīng)過多層“剖分-預(yù)測-更新”的計算后，將多個更新層的所有輸出均輸入池化層，在池化層對輸入進行池化合并得到一個輸出向量。