[發(fā)明專利]一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810601111.6
• 申請(qǐng)日: 2018-06-12
• 公開（公告）號(hào): CN108960077A
• 公開（公告）日: 2018-12-07
• 發(fā)明（設(shè)計(jì)）人: 李舜酩;朱彥祺;王云琦
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G01M13/00
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 唐紹焜

1.一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，其特征在于：包括如下步驟：

(1)利用加速度傳感器獲取旋轉(zhuǎn)機(jī)械在不同健康狀態(tài)下工作的時(shí)序振動(dòng)信號(hào)，將獲得的原始振動(dòng)信號(hào)分成兩個(gè)不重疊的部分，分別作為訓(xùn)練集與測試集；

(2)建立循環(huán)神經(jīng)網(wǎng)絡(luò)：所述循環(huán)神經(jīng)網(wǎng)絡(luò)的模型選用門控循環(huán)單元，模型以振動(dòng)信號(hào)x_t為輸入，模型向前傳播公式為：

z_t＝σ(W_zx_t+U_zh_t-1+b_z) (1)

r_t＝σ(W_tx_t+U_th_t-1+b_r) (2)

式中，x_t是當(dāng)前t時(shí)刻輸入數(shù)據(jù)，h_t-1為前一個(gè)時(shí)刻t-1輸出的隱藏單元信息，z_t是更新門輸出，r_t是重置門輸出，是候選隱藏狀態(tài)，h_t是隱藏狀態(tài)，σ為Sigmoid激活函數(shù)，tanh是雙曲正切激活函數(shù)，W、U均為神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣，b為偏置，“●”表示哈達(dá)馬乘積，即兩個(gè)矩陣對(duì)應(yīng)元素的乘積；

采用softmax函數(shù)對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行分類，每個(gè)循環(huán)單元的目標(biāo)函數(shù)為：

式中，L為目標(biāo)函數(shù)、K為健康狀況種類的維數(shù)、l⁽ⁱ⁾為健康狀態(tài)標(biāo)簽、為隱藏層輸出、e表示自然常數(shù)，1{·}表示按照條件輸出0或者1的指示函數(shù)；

最終目標(biāo)函數(shù)為所有單層目標(biāo)函數(shù)的綜合，為：

式中M為樣本數(shù)、T為時(shí)間步數(shù)；

(3)將步驟(1)獲取的帶有健康狀態(tài)標(biāo)簽的時(shí)序振動(dòng)信號(hào)訓(xùn)練集依次分段輸入到步驟(2)建立的循環(huán)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，對(duì)比分類結(jié)果與原信號(hào)健康標(biāo)簽的差異對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，以得到訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)；

(4)將步驟(1)獲取的帶有健康狀態(tài)標(biāo)簽的時(shí)序振動(dòng)信號(hào)測試集輸入到步驟(3)訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)中進(jìn)行健康狀態(tài)的診斷分類，根據(jù)分類結(jié)果判斷網(wǎng)絡(luò)是否達(dá)到預(yù)期診斷目標(biāo)，若準(zhǔn)確度低于期望值，則重復(fù)步驟(3)直到獲得準(zhǔn)確度高于期望值的循環(huán)神經(jīng)網(wǎng)絡(luò)；所述期望值為95％；

(5)通過所述步驟(4)得到的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行智能故障診斷。

2.根據(jù)權(quán)利要求1所述的智能故障診斷方法，其特征在于：所述步驟(1)中的時(shí)序振動(dòng)信號(hào)包括系統(tǒng)在正常狀態(tài)、磨損、斷齒及斷齒和磨損的復(fù)合故障狀態(tài)下的振動(dòng)信號(hào)。

3.根據(jù)權(quán)利要求1所述的智能故障診斷方法，其特征在于：所述步驟(3)的循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中在循環(huán)神經(jīng)網(wǎng)絡(luò)隱藏層的輸入輸出中引入Dropout技術(shù)：

在隱藏層中，對(duì)每個(gè)時(shí)刻隱藏單元的輸入與輸出以設(shè)定好的比例p置零，使得每次計(jì)算均由強(qiáng)制性安排的隨機(jī)挑選出來的神經(jīng)元共同工作。