[發(fā)明專利]一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法

在審

• 申請?zhí)枺?/td>: 202011068823.X
• 申請日: 2020-09-28
• 公開（公告）號: CN112132102A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)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(quán)）人: 天津工業(yè)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，包括以下步驟：

步驟1：提出一種用于振動信號的數(shù)據(jù)擴充策略；

步驟2：提出一種深度無損非負約束稀疏自編碼器模型；

步驟3：利用人工蜂群算法優(yōu)化深度無損非負約束稀疏自編碼器的超參數(shù)。

2.根據(jù)權(quán)利要求1所述的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，所述步驟1中，提出一種用于振動信號的數(shù)據(jù)擴充策略，其具體步驟為：

步驟1.1：數(shù)據(jù)劃分：將采集所得的振動信號分割為訓練數(shù)據(jù)和測試數(shù)據(jù)；

步驟1.2：訓練數(shù)據(jù)擴充：利用重疊采樣策略將訓練數(shù)據(jù)分割成若干樣本，采用抖動技巧和旋轉(zhuǎn)技巧產(chǎn)生新的訓練數(shù)據(jù)；

步驟1.3：訓練數(shù)據(jù)混合：將原始訓練數(shù)據(jù)和新產(chǎn)生的訓練數(shù)據(jù)進行混合，合成的訓練數(shù)據(jù)用于深度學習網(wǎng)絡(luò)的訓練。

3.根據(jù)權(quán)利要求1所示的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，所述步驟2中，提出一種深度無損非負約束稀疏自編碼器網(wǎng)絡(luò)，其具體步驟為：

步驟2.1：設(shè)計無損約束項和引用權(quán)重非負約束項對稀疏自編器的損失函數(shù)進行修改，構(gòu)建無損非負約束稀疏自編碼器模型；

步驟2.2：修改無損非負約束稀疏自編碼器的預訓練規(guī)則，設(shè)計無損非負約束稀疏自編碼器的參數(shù)學習規(guī)則；

步驟2.3：預訓練Softmax分類器；

步驟2.4：將多個無損非負約束稀疏自編器與Softmax分類器進行堆棧，形成深度無損非負約束稀疏自編碼器模型；

步驟2.5：對深度無損非負約束稀疏自編碼器網(wǎng)絡(luò)進行有監(jiān)督微調(diào)。

4.根據(jù)權(quán)利要求1所示的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，所述步驟3中，利用人工蜂群算法優(yōu)化深度無損非負約束稀疏自編碼器的超參數(shù)，其具體步驟為：

步驟3.1：準備深度無損非負約束稀疏自編碼器，初始化人工蜂群算法的參數(shù)；

步驟3.2：設(shè)計人工蜂群算法的適應(yīng)度函數(shù)，選擇合適的概率值選取蜜源；

步驟3.3：確定雇傭蜂和跟隨蜂在蜜源附近內(nèi)的蜜源搜索準則；

步驟3.4：確定偵查蜂產(chǎn)生新蜜源的準則。

5.根據(jù)權(quán)利要求3所述的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，所述步驟2.1中，無損約束項的設(shè)計為：

其中，X_n為訓練數(shù)據(jù)集，X_c為稀疏自編碼產(chǎn)生的無噪聲數(shù)據(jù)集，為稀疏自編碼器學習到的重構(gòu)數(shù)據(jù)，γ為無損約束項的系數(shù)，它約束著純凈數(shù)據(jù)與訓練數(shù)據(jù)之間差別。

此外，添加權(quán)重非負約束項修改損失函數(shù)，對權(quán)重進行約束，增強參數(shù)的學習能力，具體表達如下式：

其中，α為非負權(quán)重約束系數(shù)，為l+1層的第i神經(jīng)元與l層的第j神經(jīng)元之間的連接權(quán)重。

6.根據(jù)權(quán)利要求3所述的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，所述步驟2.2中，由于添加了無損約束項和權(quán)重非負約束項，導致稀疏自編碼器的訓練規(guī)則不適用，通過反向傳播算法和梯度下降算法設(shè)計出一種交替更新的訓練準則。

7.根據(jù)權(quán)利要求3所述的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)合人工蜂群優(yōu)化的智能故障診斷方法，其特征在于，所述步驟2.3中，Softmax分類器的損失函數(shù)的表達形式為：

其中，N-訓練樣本的容量，I{y^(m)＝j(luò)}為指示函數(shù)，只有當大括號內(nèi)的值為真時才取值為1，否則為0，z^(m)為輸出層第m個神經(jīng)元的輸出值，λ為懲罰項的控制參數(shù)。