[發明專利]元深度學習驅動的旋轉機械小樣本健康評估方法

有效

• 申請號: 202010401773.6
• 申請日: 2020-05-13
• 公開（公告）號: CN111695209B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 賈民平;丁鵬;趙孝禮;佘道明;黃鵬;胡建中;許飛云
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/04;G06N3/08;G06N20/00;G01M13/00;G01M13/045;G06F119/04
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張天哲

1.元深度學習驅動的旋轉機械小樣本健康評估方法，其特征在于，包括以下步驟：

步驟1：通過振動加速度計對旋轉機械敏感退化位置進行信號采集，并對采集的振動信號進行降噪、奇異值剔除處理；

步驟2：對預處理后的信號進行退化特征提取，通過時頻分析方法以及時域、頻域統計特征分別提取基于振動信號退化特征量；

步驟3：對提取的不同類別退化特征量分別進行無監督域自適應投影變換，挖掘具有退化知識遷移能力的退化指標；

步驟4：將訓練樣本集中所有退化指標及健康度劃分為多組子任務集供后續元深度學習模型使用，且各子任務集相互沒有交集；

步驟5：構建基于卷積網絡與循環網絡的元深度學習評估模型，并依據訓練集中樣本對完成跨子任務間的元學習求解過程，生成元深度學習評估代理模型；

步驟6：對評估代理模型進行基于梯度反向傳遞的參數調整，適應不同數據集的內在特性，并完成對未知小樣本的健康評估。

2.根據權利要求1所述的元深度學習驅動的旋轉機械小樣本健康評估方法，其特征在于：所述步驟1中將對采集的振動信號通過小波降噪剔除原始信號中的高頻成分，并剔除原始信號中的奇異值點、離群點。

3.根據權利要求1所述的元深度學習驅動的旋轉機械小樣本健康評估方法，其特征在于：所述步驟2中退化特征提取是通過帶滑動窗的短時傅里葉變化以及時域、頻域統計量提取實現，包含如下具體步驟：時頻圖像素點退化特征矩陣構建及時域、頻域統計量退化特征矩陣構建；

步驟2.1：通過滑動窗結合STFT實現一維振動信號的退化時頻圖像素矩陣M_TF提取，即：

M_TF＝[STFT(x(1∶k))，STFT(x(k+1∶2k))，…,STFT(x(N-2k+1∶N-k))，STFT(x(N-k+1：N))]

式中x(n),n＝1,2,…,N為預處理振動信號，k為步長，N為給定信號長度；

步驟2.2：時域、頻域統計量提取采用的統計學參數公式如下：平均值：標準差：平方根振幅：絕對平均值：偏度：峭度：功率：最大值：DF₈＝max|x(n)|、最小值：DF₉＝min|x(n)|、峰峰值：DF₁₀＝DF₈-DF₉、均方根：波形指數：峰值指數：脈沖指數：裕度指數：偏度指數：和峭度指數：其中x(n),n＝1,2,…,N 為預處理振動信號，N為信號長度；頻域特征提取采用的統計學參數公式如下：以及其中y(k)是給定信號的快速傅里葉頻譜，f_k則對應于第k個頻譜的頻率值，DF₁₈在頻域上反映振動能量，DF₁₉～DF₂₁、DF₂₃和DF₂₇～DF₃₀描述頻譜的集中和離散程度，DF₂₂和DF₂₄～DF₂₆表示主頻帶的位置變化；因此，基于時、頻域統計量退化特征矩陣為M_TS，即：

M_TS＝[DF₁，DF₂，...，DF₃₀]。