[發明專利]一種基于自動卷積神經網絡的機械智能故障預測方法

有效

• 申請號: 202011496477.5
• 申請日: 2020-12-17
• 公開（公告）號: CN112527547B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 文龍;李新宇;高亮
• 申請（專利權）人: 中國地質大學（武漢）;華中科技大學
• 主分類號: G06F11/07
• 分類號: G06F11/07;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 張毅

1.一種基于自動卷積神經網絡的機械智能故障預測方法，其特征在于：具體包括以下步驟：

S101：獲取設備故障信號，并對其進行預處理，得到預處理后的故障信號；

S102：構建自動卷積神經網絡ACNN故障診斷模型；所述ACNN故障診斷模型包括1組卷積神經網絡CNN和1組深度確定性策略梯度網絡DDPG；所述卷積神經網絡CNN用于設備故障預測，所述深度確定性策略梯度網絡DDPG用于實現對所述卷積神經網絡CNN的學習率、批量和正則化三個參數進行自動調節；

S103：利用預處理后的故障信號訓練所述ACNN故障診斷模型，得到訓練完成的ACNN故障診斷模型；

S104：將所述訓練完成的故障診斷模型應用于設備故障診斷；

步驟S102中，所述ACNN故障診斷模型的狀態為s_t，行為為a_t，獎勵為r_t；其中t為訓練ACNN故障診斷模型時的步長序號；s_t表示在第t步訓練過程中，所述卷積神經網絡CNN的狀態特征；r_t表示在第t步訓練過程中ACNN故障診斷模型的獎勵值；a_t表示在第t步訓練過程中所述深度確定性策略梯度網絡DDPG的行為；所述a_t為一個三維組，具體a_t＝(a_t，1，a_t，2，a_t,3)，其中a_t,1、a_t,2、a_t,3分別用于控制所述卷積神經網絡CNN的學習率、批量和正則化值；

狀態s_t為所述卷積神經網絡CNN的連續M個訓練損失的誤差，即s_t＝(loss_t-M，loss_t-M+1，…，loss_t-1)；

步驟S103中，利用預處理后的故障信號訓練所述ACNN故障診斷模型，包括所述卷積神經網絡CNN的迭代訓練和所述深度確定性策略梯度網絡DDPG的迭代訓練；

所述卷積神經網絡CNN迭代訓練的具體過程為：

S201：所述卷積神經網絡CNN訓練行為結果a_t，解算得其在第t步訓練過程中需要設置的學習率、批量和正則化值；

S202：根據第t步訓練過程中的所述學習率、批量和正則化值，利用預處理后的故障信號繼續訓練所述卷積神經網絡CNN，得到第t步的訓練誤差loss_t，并將誤差loss_t進行數學變換得到獎勵值r_t+1，將s_t、a_t、r_t+1、s_t+1存儲至經驗數據集D中；

S203：進入第t+1步訓練，重復步驟S201～S202直至達到最大的訓練步數T為止，停止訓練；

所述深度確定性策略梯度網絡DDPG的迭代訓練通過接收所述經驗數據集D進行，具體為：

行為者Actor網絡的映射表示為a_t＝μ_θ(s_t)，評價者Critic網絡的映射表示為則Critic網絡的訓練公式如(1)和(2)所示：

y_t＝r_t+1+γQ(s_t+1,μ(s_t+1)|ω|θ) (2)

θ為行為者網絡Actor的權重，ω為評價者網絡Critic的權重；Critic的網絡通過最小化公式(1)中的L實現有效的訓練，L為訓練誤差；公式(1)中，采用狀態s_t和行為a_t預測獎勵值；公式(2)中，采用狀態s_t+1和s_t+1在Actor網絡的預測行為μ(s_t+1)|ω來預測t+1時刻的獎勵值；γ為折扣因子；Q(s_t,a_t|ω)表示表示在狀態s_t下、選擇行為a_t時，Critic網絡的預測值；Q(s_t+1,μ(s_t+1)|ω|θ)表示在狀態s_t+1下、行為是Actor網絡的預測值μ(s_t+1)時，Critic網絡的預測值；N表示樣本總量；

步驟S201具體解算過程如式(3)、(4)、(5)所示：

lr_t＝(lr_max-lr_min)×a_t,1+lr_min (3)

b_t＝int((b_max-b_min)×a_t,2+b_min) (4)

l_t＝pow(10,(log₁₀l_max-log₁₀l_min)×a_t,3+log₁₀l_min) (5)

式(3)、(4)、(5)中，lr_max、lr_min分別為學習率的變化上下界，b_max、b_min分別為批量的變化上下界，l_max、l_min分別為正則化值的變化上下界；lr_t、b_t、l_t分別為解算后的學習率、批量和正則化值；pow(A，B)為數學函數，表示A的B次冪。