[發明專利]基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法

在審

• 申請號: 201710579113.5
• 申請日: 2017-07-17
• 公開（公告）號: CN107451340A
• 公開（公告）日: 2017-12-08
• 發明（設計）人: 單建華;佘慧莉;呂欽;張神林;王孝義
• 申請（專利權）人: 安徽工業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04
• 代理公司: 南京知識律師事務所32207
• 代理人: 蔣海軍

1.一種基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法，其特征在于所述診斷方法具體步驟如下：

(1)數據準備階段：采集各種工況下旋轉機械振動數據，從旋轉機械振動數據中創建足夠多樣本點，這些樣本點構成訓練數據庫，訓練數據庫由訓練集和驗證集組成，所述樣本點包括數據和多屬性標簽；

(2)創建階段：創建多屬性卷積神經網絡；

(3)訓練階段：利用訓練數據庫來訓練多屬性卷積神經網絡，獲得網絡參數；

(4)測試階段：采集待診斷的旋轉機械振動數據，從振動數據中創建足夠多數據樣本點，用訓練好的多屬性卷積神經網絡對所述數據樣本點進行診斷，完成對旋轉機械故障的定量診斷。

2.根據權利要求1所述的基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法，其特征在于所述步驟(1)中所述樣本點和所述步驟(4)中所述數據樣本點中的數據創建方式為：采用隨機方式創建，即對于每種工況下采樣數據，在隨機位置處截取振動數據中大于一個數據周期長度的連續數據點作為一個樣本點，優先選擇k*2ⁿ個數據點作為一個樣本點，其中n為正整數，k＝1或3，所述旋轉機械中轉子旋轉一圈，采樣的數據點個數定義為數據周期。

3.根據權利要求1所述的基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法，其特征在于所述步驟(1)中所述樣本點中的多屬性標簽創建方式為：旋轉機械故障屬性的數目為M，則樣本點多屬性標簽有M維，每維數值是故障屬性下的屬性種類的序號。

4.根據權利要求1所述的基于多屬性卷積神經網絡的旋轉機械故障定量診斷方法，其特征在于所述步驟(2)中多屬性卷積神經網絡的創建方式為：多屬性卷積神經網絡包含輸入層、卷積層、最大池化層、平均池化層及軟最大化輸出層，每層卷積層后接一個激活層，激活函數采用偏移修正線性單元，具體表達式為max(-1，x)；卷積層的卷積模板尺寸為3*1，除了最后一層為1*1，卷積層步長均為1*1；最大池化層池化窗口均為2*1，步長均為2*1；輸入層大小為H*1*K，其中H為樣本點長度，K為數據維度，即傳感器數目；軟最大化輸出層由M個得分向量組成，旋轉機械的每個故障屬性用一個得分向量表示，每個得分向量的維數等于對應故障屬性下屬性種類數目；最后三層特征圖大小等于M個得分向量維數之和；風險損失是M個交叉熵函數的加權平均值；

所述多屬性卷積神經網絡的一個樣本點i的風險損失為：

Li=Σk=1MλkLikΣk=1Mλk=1,λk>0]]>

Lik=-log[eskyikΣj=1nkeskj),(k=1,2,...,M)]]>

式中：M是故障屬性數目，L_ik是故障屬性k的風險損失，λ_k是故障屬性k的權重，向量sk是故障屬性k的得分向量，nk是故障屬性k的屬性種類數目，向量yi是多屬性標簽，yik為故障屬性k的多屬性標簽的序號。