[發(fā)明專利]基于深度學(xué)習(xí)的軸承故障模式診斷方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201810072846.4
• 申請日: 2018-01-25
• 公開（公告）號: CN108304927A
• 公開（公告）日: 2018-07-20
• 發(fā)明（設(shè)計(jì)）人: 黃雙喜;楊天祺
• 申請（專利權(quán)）人: 清華大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G01M13/04
• 代理公司: 北京清亦華知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 張潤

1.一種基于深度學(xué)習(xí)的軸承故障模式診斷方法，其特征在于，包括以下步驟：

通過自動(dòng)調(diào)節(jié)學(xué)習(xí)率、引入噪聲、引入線性修正單元作為激活函數(shù)，以根據(jù)所述激活函數(shù)改進(jìn)深度信念網(wǎng)絡(luò)；

通過遷移數(shù)據(jù)集與長短期記憶網(wǎng)絡(luò)獲得合成數(shù)據(jù)集，以根據(jù)所述合成數(shù)據(jù)集擴(kuò)展訓(xùn)練的數(shù)據(jù)集，并通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練改進(jìn)的深度信念網(wǎng)絡(luò)，以得到軸承故障診斷模型；以及

采集軸承的振動(dòng)信號，并根據(jù)所述軸承的振動(dòng)信號和所述軸承故障診斷模型診斷出所述軸承故障模式。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的軸承故障模式診斷方法，其特征在于，所述通過自動(dòng)調(diào)節(jié)學(xué)習(xí)率、引入噪聲、引入線性修正單元作為激活函數(shù)，以根據(jù)所述激活函數(shù)改進(jìn)深度信念網(wǎng)絡(luò)，進(jìn)一步包括：

根據(jù)重構(gòu)誤差前后的重構(gòu)誤差調(diào)整所述學(xué)習(xí)速率，并定義分布的偏導(dǎo)函數(shù)極限與重構(gòu)模型分布下偏導(dǎo)函數(shù)的極限的差值，并且根據(jù)差值的正負(fù)調(diào)整學(xué)習(xí)效率；

在限制玻爾茲曼機(jī)的輸入中引入所述噪聲，在非監(jiān)督訓(xùn)練后將輸出誤差最小化，以優(yōu)化參數(shù)；

將所述線性修正單元作為激活函數(shù)，輸出不飽和，以加快網(wǎng)絡(luò)的訓(xùn)練速度。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的軸承故障模式診斷方法，其特征在于，所述限制玻耳茲曼機(jī)是一個(gè)兩層，由兩部分構(gòu)成的無向圖形化模型，其包含一組二值化隱藏單元，一組可見單元和連接這兩個(gè)層之間的權(quán)重矩陣。

4.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的軸承故障模式診斷方法，其特征在于，所述改進(jìn)深度信念網(wǎng)絡(luò)通過自適應(yīng)半監(jiān)督方法的訓(xùn)練元結(jié)構(gòu)來提高性能，并在訓(xùn)練過程中自適應(yīng)調(diào)整學(xué)習(xí)速率每一元結(jié)構(gòu)、輸入樣本和噪聲進(jìn)入元相同的樣本，輸出之間的誤差最小化后，以優(yōu)化參數(shù)。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的軸承故障模式診斷方法，其特征在于，通過知識遷移或遷移學(xué)習(xí)獲取所述遷移數(shù)據(jù)集。

6.一種基于深度學(xué)習(xí)的軸承故障模式診斷系統(tǒng)，其特征在于，包括：

分類模塊，用于通過自動(dòng)調(diào)節(jié)學(xué)習(xí)率、引入噪聲、引入線性修正單元作為激活函數(shù)，以根據(jù)所述激活函數(shù)改進(jìn)深度信念網(wǎng)絡(luò)；

數(shù)據(jù)遷移模塊，用于通過遷移數(shù)據(jù)集與長短期記憶網(wǎng)絡(luò)獲得合成數(shù)據(jù)集，以根據(jù)所述合成數(shù)據(jù)集擴(kuò)展訓(xùn)練的數(shù)據(jù)集，并通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練改進(jìn)的深度信念網(wǎng)絡(luò)，以得到軸承故障診斷模型；以及

診斷模塊，用于采集軸承的振動(dòng)信號，并根據(jù)所述軸承的振動(dòng)信號和所述軸承故障診斷模型診斷出所述軸承故障模式。

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的軸承故障模式診斷系統(tǒng)，其特征在于，所述分類模塊還用于根據(jù)重構(gòu)誤差前后的重構(gòu)誤差調(diào)整所述學(xué)習(xí)速率，并定義分布的偏導(dǎo)函數(shù)極限與重構(gòu)模型分布下偏導(dǎo)函數(shù)的極限的差值，并且根據(jù)差值的正負(fù)調(diào)整學(xué)習(xí)效率，在限制玻爾茲曼機(jī)的輸入中引入所述噪聲，在非監(jiān)督訓(xùn)練后將輸出誤差最小化，以優(yōu)化參數(shù)，以及將所述線性修正單元作為激活函數(shù)，輸出不會飽和，在零點(diǎn)提供了更好的性能，以加快網(wǎng)絡(luò)的訓(xùn)練速度。

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的軸承故障模式診斷系統(tǒng)，其特征在于，所述限制玻耳茲曼機(jī)是一個(gè)兩層，由兩部分構(gòu)成的無向圖形化模型，其包含一組二值化隱藏單元，一組可見單元和連接這兩個(gè)層之間的權(quán)重矩陣。

9.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的軸承故障模式診斷系統(tǒng)，其特征在于，所述改進(jìn)深度信念網(wǎng)絡(luò)通過自適應(yīng)半監(jiān)督方法的訓(xùn)練元結(jié)構(gòu)來提高性能，并在訓(xùn)練過程中自適應(yīng)調(diào)整學(xué)習(xí)速率每一元結(jié)構(gòu)、輸入樣本和噪聲進(jìn)入元相同的樣本，輸出之間的誤差最小化后，以優(yōu)化參數(shù)。

10.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的軸承故障模式診斷系統(tǒng)，其特征在于，通過知識遷移或遷移學(xué)習(xí)獲取所述遷移數(shù)據(jù)集。