[發(fā)明專利]一種基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811197982.2
• 申請日: 2018-10-15
• 公開（公告）號: CN109406118B
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 文龍;高亮;李新宇;張釗
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G01M13/00
• 分類號: G01M13/00;G01M13/045;G06N3/04
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 孔娜;曹葆青

1.一種基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法，其特征在于，該方法包括以下步驟：

(1)采用S變換將待故障預(yù)測的機(jī)械的振動信號從時序信號變換成時頻圖，以備用；

(2)結(jié)合故障類型在不同粒度上的層次劃分，以構(gòu)建雙輸出的層次卷積神經(jīng)網(wǎng)絡(luò)模型，所述時頻圖為所述層次卷積神經(jīng)網(wǎng)絡(luò)模型的輸入；所述層次卷積神經(jīng)網(wǎng)絡(luò) 模型具有兩類分類器，分別為粗分類器及精分類器；其中，所述粗分類器及所述精分類器共享多個卷積層及池化層，以實(shí)現(xiàn)所述粗分類器及所述精分類器通用特征的提取，且所述粗分類器及所述精分類器分別對應(yīng)故障種類在不同粒度上的層次劃分；

(3)首先，采用粗標(biāo)簽對所述粗分類器進(jìn)行訓(xùn)練，同時所述層次卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行粗分類；接著，采用精標(biāo)簽對所述精分類器進(jìn)行訓(xùn)練以得到訓(xùn)練好的層次卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而進(jìn)行機(jī)械故障預(yù)測。

2.如權(quán)利要求1所述的基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法，其特征在于：步驟(1)中，從采集到的所述振動信號中隨機(jī)截取時序信號樣本，并采用S變換將所述時序信號樣本內(nèi)的信號自時域轉(zhuǎn)換成時頻域，進(jìn)而將得到的二維矩陣調(diào)整為224×224維矩陣。

3.如權(quán)利要求1所述的基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法，其特征在于：所述粗分類器及所述精分類器分別是采用粗標(biāo)簽及精標(biāo)簽進(jìn)行訓(xùn)練得到的。

4.如權(quán)利要求1所述的基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法，其特征在于：所述層次卷積神經(jīng)網(wǎng)絡(luò)模型的最終損失函數(shù)為：

Loss_i＝-αCorseLoss_i-(1-α)FinalLoss_i (1)

式中，是粗分類器損失CorseLoss_i和精分類器損失FinalLoss_i在總損失Loss_i上的折中參數(shù)。

5.如權(quán)利要求4所述的基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法，其特征在于：通過改變α來引導(dǎo)整個神經(jīng)網(wǎng)絡(luò)由粗分類轉(zhuǎn)變?yōu)榧?xì)分類，以提高分類器的準(zhǔn)確性。

6.如權(quán)利要求4所述的基于層次卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障預(yù)測方法，其特征在于：采用AdamOptimizer優(yōu)化算法對所述最終損失函數(shù)進(jìn)行最小化。