[發(fā)明專(zhuān)利]一種基于SDRSN的多特征健康因子融合方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011606166.X
• 申請(qǐng)日: 2020-12-28
• 公開(kāi)（公告）號(hào): CN112816191B
• 公開(kāi)（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 楊京禮;高天宇;姜守達(dá)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類(lèi)號(hào): G01M13/00
• 分類(lèi)號(hào): G01M13/00;G01H17/00;G06K9/62;G06N3/08
• 代理公司: 哈爾濱華夏松花江知識(shí)產(chǎn)權(quán)代理有限公司 23213
• 代理人: 岳昕

一種基于SDRSN的多特征健康因子融合方法，涉及故障預(yù)測(cè)技術(shù)領(lǐng)域，針對(duì)現(xiàn)有技術(shù)中模型不能夠降低經(jīng)驗(yàn)因素的影響，去除冗余信息的問(wèn)題，SDRSN模型能夠進(jìn)行自適應(yīng)特征學(xué)習(xí)，根據(jù)注意力機(jī)制發(fā)現(xiàn)輸入樣本的干擾特征，并利用軟閾值函數(shù)將其置零，從而降低干擾因素對(duì)于特征挖掘效果的影響。相比于傳統(tǒng)特征融合方法，該模型能夠降低經(jīng)驗(yàn)因素的影響，去除冗余信息。將自歸一化思想引入SDRSN模型，能夠保證激活值以歸一化的狀態(tài)在網(wǎng)絡(luò)各層間傳遞，避免了過(guò)擬合現(xiàn)象的發(fā)生，獲取到包含豐富信息的特征，從而更好地表征旋轉(zhuǎn)機(jī)械的健康狀態(tài)。

技術(shù)領(lǐng)域

本發(fā)明涉及故障預(yù)測(cè)技術(shù)領(lǐng)域，具體為一種基于SDRSN的多特征健康因子融合方法。

背景技術(shù)

旋轉(zhuǎn)機(jī)械由于其通用性目前被廣泛應(yīng)用于各種機(jī)械裝備與復(fù)雜的工作環(huán)境中，其一旦受損不僅會(huì)影響設(shè)備的正常使用，還有可能造成巨大的經(jīng)濟(jì)損失和人身安全威脅。因此，開(kāi)展旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法研究一直是機(jī)械健康監(jiān)測(cè)領(lǐng)域的迫切需求，而構(gòu)建有效的健康因子是實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械故障精確預(yù)測(cè)的先決條件。

自歸一化神經(jīng)網(wǎng)絡(luò)(Self-Normalizing Neural Networks，SNN)采用縮放指數(shù)線性單元(Scaled Exponential Linear Units，SELU)作為激活函數(shù)，能夠保證激活值以歸一化的狀態(tài)在網(wǎng)絡(luò)各層間傳遞，且該值趨于一個(gè)穩(wěn)定的不動(dòng)點(diǎn)，一旦擾動(dòng)導(dǎo)致協(xié)變量偏移，便會(huì)即刻被拉回到歸一化狀態(tài)，避免了過(guò)擬合現(xiàn)象的發(fā)生。此外，該函數(shù)在輸入小于0時(shí)神經(jīng)元依然可以被激活，與采用線性整流單元(Rectified Linear Unit，ReLU)作為激活函數(shù)的模型相比，SNN提取到更為豐富的特征，從而更好地表征系統(tǒng)的健康狀態(tài)。

通過(guò)將軟閾值和注意力機(jī)制引入殘差網(wǎng)絡(luò)，構(gòu)造了一種深度殘差收縮網(wǎng)絡(luò)(DeepResidual Shrinkage Networks，DRSN)來(lái)實(shí)現(xiàn)對(duì)噪聲污染樣本的自適應(yīng)特征學(xué)習(xí)。DSRN的工作原理是根據(jù)注意力機(jī)制發(fā)現(xiàn)輸入樣本的干擾特征，并利用軟閾值函數(shù)將其置零，從而降低干擾因素對(duì)于特征挖掘效果的影響。但現(xiàn)有技術(shù)中缺少一種能夠保證激活值以歸一化的狀態(tài)在網(wǎng)絡(luò)各層間傳遞，避免過(guò)擬合現(xiàn)象的方法。

發(fā)明內(nèi)容

本發(fā)明的目的是：針對(duì)現(xiàn)有技術(shù)不能保證激活值以歸一化的狀態(tài)在網(wǎng)絡(luò)各層間傳遞，避免過(guò)擬合現(xiàn)象的問(wèn)題，提出一種基于SDRSN的多特征健康因子融合方法。

本發(fā)明為了解決上述技術(shù)問(wèn)題采取的技術(shù)方案是：

一種基于SDRSN的多特征健康因子融合方法，包括：

步驟一：采集旋轉(zhuǎn)機(jī)械的原始振動(dòng)信號(hào)；

步驟二：對(duì)旋轉(zhuǎn)機(jī)械的原始振動(dòng)信號(hào)進(jìn)行平滑和去噪預(yù)處理，然后對(duì)預(yù)處理后的旋轉(zhuǎn)機(jī)械的原始振動(dòng)信號(hào)進(jìn)行時(shí)域、頻域和時(shí)頻域特征的提取，并構(gòu)建原始特征集，然后對(duì)原始特征集中的信號(hào)進(jìn)行歸一化處理；

步驟三：利用歸一化后的原始特征集進(jìn)行篩選后構(gòu)造敏感特征集；

步驟四：將敏感特征集輸入SDRSN模型進(jìn)行特征融合訓(xùn)練，將測(cè)試集的數(shù)據(jù)輸入到訓(xùn)練好的模型中，得到表征旋轉(zhuǎn)機(jī)械健康狀態(tài)的健康因子；

所述SDRSN模型包括殘差塊、注意力機(jī)制和軟閾值化，所述殘差塊包括直接映射部分和殘差部分，

所述直接映射部分用于將輸入特征進(jìn)行復(fù)制后直接作為輸出特征A；

所述殘差部分包括卷積層、批量歸一化層和SELU激活層；

所述卷積層用于對(duì)輸入特征進(jìn)行特征提取，得到卷積層輸出特征；

所述批量歸一化層用于將卷積層輸出特征進(jìn)行歸一化處理；

所述SELU激活層用于對(duì)歸一化后的特征進(jìn)行非線性變換，得到非線性特征；