[發明專利]一種多尺度結構與特征融合的齒輪箱智能故障診斷方法

在審

• 申請號: 202011055494.5
• 申請日: 2020-09-25
• 公開（公告）號: CN112116029A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 尚志武;李萬祥;高茂生;俞燕;周士琦;張寶仁;劉飛;龐海玉
• 申請（專利權）人: 天津工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，包括以下步驟：

步驟1：多尺度深度特征提取結構設計；

步驟2：基于信息熵的深度特征融合策略設計；

步驟3：基于深度置信網絡的健康狀態識別。

2.根據權利要求1所述的一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，所述步驟1中，多尺度深度特征提取結構設計，其具體步驟為：

步驟1.1：構建多個不同性質的自編碼器；

步驟1.2：將不同性質的自編碼器并聯組合生成多尺度深度特征提取結構。

3.根據權利要求1所述的一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，所述步驟2中，基于信息熵的深度特征融合策略設計，其具體步驟為：

步驟2.1：獲取評價矩陣A；

步驟2.2：基于信息熵計算各個模型的融合權重；

步驟2.3：計算深度融合特征H。

4.根據權利要求1所述的一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，所述步驟3中，基于深度置信網絡的健康狀態識別，其具體步驟為：

步驟3.1：預訓練受限玻爾茲曼機模型；

步驟3.2：將受限玻爾茲曼機模型堆棧生成深度置信網絡。

5.根據權利要求2所述的一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，所述的步驟1.1中，構建多個不同性質的自編碼器，其具體步驟為：

步驟1.1.1：設計具有三個神經網絡層的自編碼器模型，神經網絡層分別為輸入層、隱藏層和輸出層，其中輸入層和輸出層的神經元數相同，且隱藏層神經元數小于輸入層；

步驟1.1.2：在自編碼器模型中利用KL距離引入稀疏正則項，構建稀疏自編碼器，利用KL距離構建的稀疏正則項表達式為：

其中，表示輸入層的輸入向量x對隱藏層的第j個神經元的平均值，ρ為稀疏響應系數。

步驟1.1.3：在自編碼器模型的基礎上，將輸入層改為帶有隨機噪聲的輸入層，從而構建降噪自編碼器；

步驟1.1.4：在自編碼器模型的基礎上，利用隱藏層的輸出關于輸入的雅克比矩陣來進行懲罰，從而構建收縮自編碼器。

6.根據權利要求2所述的一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，所述的步驟1.2中，將不同性質的自編碼器模型并聯組合生成多尺度深度特征提取結構，其具體步驟為：

步驟1.2.1：預訓練多個自編碼器模型，按照預訓練的次序依次將模型堆棧起來，形成深度自編碼器，以同樣的方式構建深度稀疏自編碼器、深度去噪自編碼器、深度收縮自編碼器；

步驟1.2.2：將生成的深度自編碼器、深度稀疏自編碼器、深度去噪自編碼器和深度收縮自編碼器以并聯的方式進行組合，生成多尺度深度特征提取結構。

7.根據權利要求3所述的一種多尺度結構與特征融合的齒輪箱智能故障診斷方法，其特征在于，所述的步驟2.1中，獲取評價矩陣A，其具體步驟為：

步驟2.1.1：根據訓練數據和訓練標簽，對多尺度深度特征提取結構的深度自編碼器、深度稀疏自編碼器、深度去噪自編碼器和深度收縮自編碼器進行預訓練；

步驟2.1.2：獲取每個模型的每種故障類型的準確率，將其組合成評價矩陣A，具體形式如下：

其中，A_ij表示第j個模型的第i種故障對應的準確率，當j＝1時，代表深度自編碼器，當j＝2時，代表深度稀疏自編碼器；當j＝3時，代表深度去噪自編碼器；當j＝4時，代表深度收縮自編碼器，d表示故障的類型數量。