[發(fā)明專利]一種基于隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的飛機(jī)機(jī)電系統(tǒng)故障識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810592166.5
• 申請(qǐng)日: 2018-06-11
• 公開（公告）號(hào): CN109001557A
• 公開（公告）日: 2018-12-14
• 發(fā)明（設(shè)計(jì)）人: 梁天辰;姜洪開;王仲生;李華星;田紅波
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G01R31/00
• 分類號(hào): G01R31/00;G06N3/04
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 顧潮琪

1.一種基于隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的飛機(jī)機(jī)電系統(tǒng)故障識(shí)別方法，其特征在于包括下述步驟：

步驟一，提取飛機(jī)機(jī)電系統(tǒng)內(nèi)指定軸承和轉(zhuǎn)子的振動(dòng)加速度信號(hào)劃分為訓(xùn)練樣本和測(cè)試樣本兩部分，分別對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行短時(shí)傅里葉變換和分貝轉(zhuǎn)化歸一化，得到訓(xùn)練二維時(shí)頻圖和測(cè)試二維時(shí)頻圖；

步驟二，將訓(xùn)練二維時(shí)頻圖輸入初始化的隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)，前向計(jì)算均方誤差；根據(jù)均方誤差和代價(jià)函數(shù)反向逐層訓(xùn)練隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)，直到均方誤差小于設(shè)定的最小均方誤差值或達(dá)到最大循環(huán)數(shù)，隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練完成；

步驟三、使用訓(xùn)練好的隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試二維時(shí)頻圖進(jìn)行飛機(jī)機(jī)電系統(tǒng)故障的識(shí)別。

2.根據(jù)權(quán)利要求1所述的基于隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的飛機(jī)機(jī)電系統(tǒng)故障識(shí)別方法，其特征在于，所述的步驟一包括以下步驟：

1.1)采集飛機(jī)機(jī)電系統(tǒng)內(nèi)部指定軸承和轉(zhuǎn)子的振動(dòng)加速度信號(hào)，分成訓(xùn)練和測(cè)試兩個(gè)樣本，每個(gè)樣本包含1024個(gè)信號(hào)值；

1.2)對(duì)訓(xùn)練樣本和測(cè)試樣本分別進(jìn)行短時(shí)傅里葉變換，生成32×32尺寸的訓(xùn)練能量譜密度矩陣和測(cè)試能量譜密度矩陣；

1.3)將每個(gè)矩陣中的能量譜密度值化為分貝值dB＝10*log₁₀P(t，f)，其中P(t，f)表示時(shí)間為t頻率為f時(shí)的功率譜密度；同時(shí)進(jìn)行歸一化，將分貝值轉(zhuǎn)化為時(shí)頻值其中i₁、j₁、p、q表示能量譜密度矩陣中元素(i₁，j₁)、(p，q)的橫縱坐標(biāo)，表示該二維時(shí)頻圖中所有分貝的均值；最終得到32×32的訓(xùn)練二維時(shí)頻圖和測(cè)試二維時(shí)頻圖。

3.根據(jù)權(quán)利要求1所述的基于隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的飛機(jī)機(jī)電系統(tǒng)故障識(shí)別方法，其特征在于，所述的步驟二包括以下步驟：

2.1)初始化隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)，隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、卷積1層、SP&D1層、卷積2層、SP&D2層、全連接層、Softmax分類器；隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)設(shè)置為：網(wǎng)絡(luò)的層數(shù)為2-32-32-32-32-800-C，其中，2表示第一次輸入特征圖的數(shù)量，四個(gè)32分別表示卷積1層、SP&D1層、卷積2層、SP&D2層的二維時(shí)頻圖數(shù)量，800表示全連接層神經(jīng)元數(shù)量，C表示故障類型數(shù)，卷積核尺寸為5×5，卷積步長(zhǎng)為1，每一層的權(quán)值服從均值為0，方差為的高斯分布，N表示上一層的二維時(shí)頻圖的數(shù)量，池化尺寸為2×2，輟學(xué)率為0.5，動(dòng)量系數(shù)μ為0.95，學(xué)習(xí)率η為0.01，第0次參數(shù)更新量V₀為0，最小均方誤差為0.001，最大循環(huán)數(shù)為200；

2.2)將訓(xùn)練二維特征圖輸入卷積1層與該層卷積核進(jìn)行卷積求和，根據(jù)卷積步長(zhǎng)遍歷整個(gè)訓(xùn)練二維時(shí)頻圖；卷積1層的輸出二維時(shí)頻圖其中，i₂，j₂，r，s表示二維時(shí)頻圖中(i₂，j₂)、(r，s)的橫縱坐標(biāo)，n表示上一層的第n張二維時(shí)頻圖，l₁表示該層第l₁張二維時(shí)頻圖，表示時(shí)頻圖中對(duì)應(yīng)位置的時(shí)頻值，表示第l₁個(gè)卷積核(r，s)位置的權(quán)值，表示第l₁個(gè)卷積核的偏置，表示第l₁個(gè)二維時(shí)頻圖(i₂，j₂)位置的時(shí)頻值，f表示ReLu激活函數(shù)，f(x)＝max(0，x)；將該層的二維時(shí)頻圖輸入SP&D1層；

2.3)SP&D1層中采用隨機(jī)池化和輟學(xué)策略，根據(jù)池化尺寸將二維時(shí)頻圖劃分為多個(gè)2×2的激活區(qū)域，建立每個(gè)激活區(qū)域的多項(xiàng)分布，多項(xiàng)分布的概率表示(i₃，j₃)處時(shí)頻值的概率，為激活區(qū)域內(nèi)(i₃，j₃)處的時(shí)頻值；

2.4)根據(jù)多項(xiàng)分布的概率隨機(jī)抽取時(shí)頻值，再根據(jù)輟學(xué)比例隨機(jī)將抽取的時(shí)頻值歸零，最后將每個(gè)激活區(qū)域篩選的時(shí)頻值按區(qū)域的相對(duì)位置組成新的二維時(shí)頻圖，輸入卷積2層；

2.5)在卷積2層中，將輸入二維時(shí)頻圖按步驟2.2)的操作計(jì)算輸出二維時(shí)頻圖，然后輸入SP&D2層。

2.6)在SP&D2層中將輸入二維時(shí)頻圖按步驟2.3)和2.4)的操作計(jì)算輸出二維時(shí)頻圖，然后輸入全連接層；

2.7)將輸入的二維時(shí)頻圖中每一個(gè)時(shí)頻值與全連接層中每個(gè)神經(jīng)元的權(quán)值相乘累加，然后將全連接層神經(jīng)元結(jié)果輸入Softmax分類器；

2.8)根據(jù)輸入Softmax分類器的參數(shù)，Softmax分類器得到診斷故障類型，故障類型的概率Fx^u表示第u個(gè)樣本的全連接層神經(jīng)元輸出，表示第u個(gè)樣本屬于v類故障的概率，表示l₂類故障的分類器權(quán)值，w^v表示v類故障的分類器權(quán)值，C表示故障類型數(shù)；Softmax分類器的代價(jià)函數(shù)I{y^u＝v}表示當(dāng)事件y^u＝v為真時(shí)返回1，事件y^u＝v為假返回0，m表示全連接層神經(jīng)元的數(shù)量；根據(jù)代價(jià)函數(shù)和動(dòng)量隨機(jī)梯度下降算法反向修正模型內(nèi)所有權(quán)值參數(shù)；動(dòng)量隨機(jī)梯度下降算法計(jì)算其中θ_t表示訓(xùn)練第t次時(shí)的權(quán)值參數(shù)，V_t為訓(xùn)練第t次時(shí)權(quán)值參數(shù)更新量，μ為動(dòng)量系數(shù)，η為學(xué)習(xí)率，表示對(duì)代價(jià)函數(shù)求權(quán)值參數(shù)θ_t的偏導(dǎo)；

2.9)均方誤差其中表示權(quán)值參數(shù)θ_t的均值；當(dāng)均方誤差收斂則訓(xùn)練結(jié)束，否則返回步驟2.2)。

4.根據(jù)權(quán)利要求1所述的基于隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的飛機(jī)機(jī)電系統(tǒng)故障識(shí)別方法，其特征在于，所述的步驟三包括以下步驟：

3.1)將測(cè)試二維時(shí)頻圖輸入卷積1層，根據(jù)卷積步長(zhǎng)遍歷二維時(shí)頻圖，計(jì)算輸出二維時(shí)頻圖，并輸入SP&D1層；

3.2)根據(jù)輸入的二維時(shí)頻圖，SP&D1層對(duì)區(qū)域內(nèi)每一個(gè)時(shí)頻值按概率進(jìn)行加權(quán)，SP&D1層輸出二維時(shí)頻圖上(i₃，j₃)的數(shù)值

其中S₁表示輸入二維時(shí)頻圖的尺寸；將輸出二維時(shí)頻圖輸入卷積2層；

3.3)在卷積2層中，將輸入的特征圖按步驟3.1)的操作計(jì)算輸出二維時(shí)頻圖，輸入SP&D2層；

3.4)在SP&D2層中，將輸入的特征圖按步驟3.2)的操作計(jì)算輸出二維時(shí)頻圖并輸入全連接層；

3.5)將輸入的二維時(shí)頻圖中每一個(gè)時(shí)頻值與全連接層中每個(gè)神經(jīng)元的權(quán)值相乘累加，然后將全連接層神經(jīng)元結(jié)果輸入Softmax分類器；

3.6)Softmax分類器得到識(shí)別結(jié)果，識(shí)別概率