[發(fā)明專利]基于加噪樣本增強深度自編碼學習網(wǎng)絡的旋轉機械壽命階段識別方法

在審

• 申請?zhí)枺?/td>: 201710219020.1
• 申請日: 2017-04-05
• 公開（公告）號: CN107016241A
• 公開（公告）日: 2017-08-04
• 發(fā)明（設計）人: 陳仁祥;吳昊年;楊黎霞;陳志毅;李軍;向陽;黃鑫
• 申請（專利權）人: 重慶交通大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權代理有限公司11275
• 代理人: 廖曦

1.基于加噪樣本增強深度自編碼學習網(wǎng)絡的旋轉機械壽命階段識別方法，其特征在于：在該方法中，對訓練樣本進行加噪增強，將多個稀疏自編碼堆棧后添加分類層構建出集壽命特征自動提取與壽命階段智能識別于一體的深度稀疏自編碼學習網(wǎng)絡；通過加噪樣本增強抑制學習網(wǎng)絡的過擬合問題和提高網(wǎng)絡魯棒性；利用稀疏自編碼自動學習數(shù)據(jù)內部結構特征的優(yōu)點，通過多層稀疏自編碼對加噪增強樣本進行逐層無監(jiān)督自適應學習和有監(jiān)督微調，在不同層獲得“層次型”壽命特征，實現(xiàn)旋轉機械壽命特征自動提取與表達，最終在分類層完成旋轉機械壽命階段的智能識別。

2.根據(jù)權利要求1所述的基于加噪樣本增強深度自編碼學習網(wǎng)絡的旋轉機械壽命階段識別方法，其特征在于：該方法具體包括以下步驟：

S1：采集數(shù)據(jù)，樣本加噪增強：采集數(shù)據(jù)，獲得訓練樣本，設置加噪幅值系數(shù)k和加噪次數(shù)M對訓練樣本進行增強得到增強后的訓練樣本；計算訓練樣本進行預處理、計算頻譜并對其歸一化到[0,1]；

S2：設置網(wǎng)絡結構參數(shù)，構建深度稀疏自編碼學習網(wǎng)絡：設置稀疏自編碼的層數(shù)N、各層神經(jīng)元個數(shù)、稀疏目標值、分類層神經(jīng)元個數(shù)等構建出深度稀疏自編碼學習網(wǎng)絡；

S3：預訓練：以加噪樣本增強后的訓練樣本作為輸入，以未加噪樣本作為訓練目標，應用逐層貪婪法逐層訓練N個稀疏自編碼，即將每個稀疏自編碼的輸出作為下一個稀疏自編碼的輸入，直到完成N個稀疏自編碼的預訓練；

S4：有監(jiān)督微調：輸入有標簽訓練樣本對預訓練得到的參數(shù)進行微調，完成深度稀疏自編碼學習網(wǎng)絡的訓練；

S5：輸出結果：輸入測試樣本，由完成訓練后的學習網(wǎng)絡對旋轉機械壽命特征進行提取和表達，并輸出壽命階段識別結果，完成旋轉機械壽命階段識別。

3.根據(jù)權利要求2所述的基于加噪樣本增強深度自編碼學習網(wǎng)絡的旋轉機械壽命階段識別方法，其特征在于：在步驟S1中，具體包括：

S11：設原始樣本為x(t)，依次加入M次(M>0)高斯白噪聲n_i(t)(i＝1～M)，得到每次加噪后的樣本：

x_i^*(t)＝x(t)+n_i(t)

即樣本擴展后，訓練樣本由原來{x(t)}擴展為{x(t)，x₁^*(t),…,x_M^*(t)}，樣本數(shù)量為原來的M+1倍；

S12：所加入的高斯白噪聲n_i(t)為：

式中，σ是信號x(t)的標準差，k為幅值系數(shù)，n_st(t)是標準差為1，均值為0的高斯白噪聲；

S13：計算增強樣本后的頻譜，并對其歸一化到[0,1]，作為深度稀疏自編碼學習神經(jīng)網(wǎng)絡的輸入；由輸入頻譜取值范圍為[0,1]選擇sigmoid函數(shù)作為激活函數(shù)。

4.根據(jù)權利要求3所述的基于加噪樣本增強深度自編碼學習網(wǎng)絡的旋轉機械壽命階段識別方法，其特征在于：在步驟S2中，深度自編碼學習網(wǎng)絡第一層系數(shù)自編碼的輸入層神經(jīng)元個數(shù)為頻譜的譜線數(shù)，分類層神經(jīng)元個數(shù)為壽命階段個數(shù)。