[發明專利]基于類別不平衡權重交叉熵的旋轉機械故障診斷方法

有效

• 申請號: 202110584346.0
• 申請日: 2021-05-27
• 公開（公告）號: CN113312719B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 王奇斌;楊勝康;孔憲光;程涵;余粼钖;吉王輝
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F17/14;G06F18/214;G06F119/02
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 陳宏社;王品華

1.一種基于類別不平衡權重交叉熵的旋轉機械故障診斷方法，其特征在于，包括以下步驟：

(1)獲取訓練樣本集和測試樣本集：

(1a)對通過加速度傳感器采集的旋轉機械C個故障類別下的I個振動信號進行傅里葉變換，得到頻域振動信號集合S＝{x_i|1≤i≤I}，x_i表示第i個頻域振動信號，其中，C≥2，I≥50000；

(1b)對頻域振動信號集合S中半數以上的頻域振動信號對應的故障類別進行獨熱編碼，并將半數以上的頻域振動信號及其每個信號對應的故障類別標簽作為訓練樣本集X₁，將頻域振動信號集合S中其余的頻域振動信號作為測試樣本集X₂，其中，訓練樣本集X₁和測試樣本集X₂中每種故障類別包含不平衡的樣本數，即N_c代表第c類故障類別的樣本數；

(2)構建稀疏自編碼器模型H：

構建包括順次連接的K個稀疏自編碼器F＝{F₁,F₂,...,F_k,...,F_K}的稀疏自編碼器模型，其中，每個稀疏自編碼器F_k包括順次連接的編碼器和解碼器；編碼器和解碼器均采用激活函數為sigmoid的全連接層,其中，K≥3，F_k表示第k個網絡參數為的稀疏自編碼器；

(3)對稀疏自編碼器模型H進行迭代訓練：

(3a)初始化迭代次數為n，最大迭代次數為N，N≥200，并令n＝0；

(3b)初始化第k個稀疏自編碼器F_k的輸入為X_k，并令k＝1，X_k＝X₁；

(3c)將X_k作為稀疏自編碼器模型H的輸入，稀疏自編碼器F_k中的編碼器對每個訓練樣本進行編碼，得到編碼集X′_k，F_k中的解碼器對編碼器編碼的編碼集X′_k進行解碼，得到解碼集X″_k；

(3d)計算X″_k與X_k的均方差損失并采用反向傳播方法，通過計算稀疏自編碼器F_k的網絡參數梯度然后采用梯度下降算法通過F_k的網絡參數梯度對F_k的網絡參數進行更新；

(3e)判斷n≥N是否成立，若是，得到訓練好的稀疏自編碼器F′_k，并執行步驟(3f)，否則，執行步驟(3c)；

(3f)判斷k＝K是否成立，若是，得到訓練好的稀疏自編碼模型H′，否則，令k＝k+1，同時將X′_k作為第k+1個稀疏自編碼器的輸入，執行步驟(3c)；

(4)構建旋轉機械故障診斷模型O：

(4a)構建旋轉機械故障診斷模型O的結構：

構建包括順次連接的K個編碼器和一個分類器的旋轉機械故障診斷模型O，其中，編碼器采用訓練好的稀疏自編碼器模型H′中的稀疏自編碼器，分類器包括順次連接的全連接層和softmax激活函數輸出層；

(4b)定義旋轉機械故障診斷模型O的類別不平衡權重交叉熵損失函數J(θ)：

其中，∑表示求和操作，1[·]表示指標函數，和f_i分別表示第i個訓練樣本的預測標簽和特征向量，log(·)表示以自然常數e為底的對數操作，表示第i個訓練樣本時分類器參數向量的轉置，α_c表示第c類故障的類別不平衡權重；

(5)對旋轉機械故障診斷模型O進行迭代訓練：

(5a)初始化迭代次數為m，最大迭代次數為M，M≥100，第m次迭代分類器的網絡參數為并令m＝0；

(5b)將訓練樣本集X₁作為旋轉機械故障診斷模型O的輸入進行前向傳播，得到X₁故障類別的分類結果和特征向量f，并采用類別不平衡權重交叉熵損失函數J(θ)，通過和f計算分類器的損失值然后采用反向傳播方法，并通過損失值計算分類器的網絡參數梯度最后采用梯度下降算法并通過對分類器的網絡參數進行更新；

(5c)判斷m≥M是否成立，若是，得到訓練好的旋轉機械故障診斷模型O′，否則，令m＝m+1，并執行步驟(5b)；

(6)獲取旋轉機械的故障診斷結果：

(6a)將測試樣本集X₂作為訓練好的旋轉機械故障診斷模型O′的輸入進行前向傳播，得到X₂故障類別的預測標簽集并在索引表中查找中最大值對應的下標對應的故障類別。