本發(fā)明涉及機(jī)械設(shè)備故障智能診斷技術(shù)，具體涉及機(jī)械傳動(dòng)系統(tǒng)故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法。

背景技術(shù)：

目前，傳統(tǒng)機(jī)械設(shè)備故障智能診斷技術(shù)需要首先對(duì)采集到的信號(hào)進(jìn)行特征提取與優(yōu)化，才能進(jìn)行相應(yīng)的分類任務(wù)學(xué)習(xí)，比如提取信號(hào)的均方根值、偏斜度、峭度、信息熵等。隨著數(shù)據(jù)量的增加及計(jì)算復(fù)雜度的顯著上升，傳統(tǒng)機(jī)械故障智能診斷算法需要耗費(fèi)大量的人力物力計(jì)算敏感特征并進(jìn)行特征優(yōu)化，已經(jīng)無(wú)法勝任復(fù)雜大規(guī)模數(shù)據(jù)下的智能診斷任務(wù)。傳統(tǒng)方法難以滿足目前對(duì)海量數(shù)據(jù)進(jìn)行學(xué)習(xí)與智能分類的需要。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種機(jī)械傳動(dòng)系統(tǒng)故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法，該方法以直接采集得到的機(jī)械設(shè)備動(dòng)態(tài)信號(hào)為輸入，通過(guò)深度神經(jīng)網(wǎng)絡(luò)的自適應(yīng)特征學(xué)習(xí)，得到相應(yīng)的辨識(shí)性特征用于分類。本發(fā)明以較少的人為干預(yù)、較高的分類精度以及較高的抗噪聲干擾性能優(yōu)于常規(guī)智能分類方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種機(jī)械傳動(dòng)故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法，包括下述步驟：

步驟s1，以機(jī)械傳動(dòng)故障數(shù)據(jù)集作為樣本集合，并從樣本集合得到深度神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)；所述深度神經(jīng)網(wǎng)絡(luò)為基于多層卷積神經(jīng)網(wǎng)絡(luò)研究的深度神經(jīng)網(wǎng)絡(luò)，是由三個(gè)堆棧“剖分-預(yù)測(cè)-更新”結(jié)構(gòu)、一個(gè)池化層與一個(gè)全連層構(gòu)成，

步驟s2，對(duì)樣本集合中所有樣本依次輸入深度神經(jīng)網(wǎng)絡(luò)，得到網(wǎng)絡(luò)輸出結(jié)果；

步驟s3，將輸出結(jié)果與樣本標(biāo)簽進(jìn)行對(duì)比得到相應(yīng)的總分類誤差；

步驟s4，利用步驟s3得到的總誤差計(jì)算神經(jīng)網(wǎng)絡(luò)每層的誤差；

步驟s5，利用步驟s4得到的深度神經(jīng)網(wǎng)絡(luò)誤差更新其網(wǎng)絡(luò)參數(shù)；

步驟s6，以步驟s5中得到的更新后的深度神經(jīng)網(wǎng)絡(luò)計(jì)算每個(gè)樣本的網(wǎng)絡(luò)輸出結(jié)果；

步驟s7，返回步驟s3進(jìn)行迭代，直到分類精度或迭代次數(shù)達(dá)到預(yù)設(shè)要求，得到并輸出分類結(jié)果及網(wǎng)絡(luò)參數(shù)。

所述深度神經(jīng)網(wǎng)絡(luò)采用-1到1之間的隨機(jī)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)的各個(gè)卷積核函數(shù)進(jìn)行賦值，所有偏置項(xiàng)均設(shè)置為零。

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法為隨機(jī)梯度下降法；深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力由一個(gè)基于時(shí)域提升算法構(gòu)造的“剖分-預(yù)測(cè)-更新”三層網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)。

池化層的輸入為深度神經(jīng)網(wǎng)絡(luò)多個(gè)更新層輸出的總體。

深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)l表示為：

l＝0.5∑(y-o)²

其中，y為神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，o為期望結(jié)果。

步驟s2具體包括以下步驟：

從機(jī)械傳動(dòng)故障數(shù)據(jù)樣本集合中隨機(jī)選擇一樣本信號(hào)，將信號(hào)輸入深度神經(jīng)網(wǎng)絡(luò)，在一個(gè)“剖分-預(yù)測(cè)-更新”結(jié)構(gòu)中，信號(hào)依次進(jìn)行計(jì)算；

經(jīng)過(guò)多層“剖分-預(yù)測(cè)-更新”的計(jì)算后，將多個(gè)更新層的所有輸出均輸入池化層，在池化層對(duì)輸入進(jìn)行池化合并得到一個(gè)輸出向量。

“剖分-預(yù)測(cè)-更新”結(jié)構(gòu)的前饋算法如下：

設(shè)第k層為剖分層，其輸入為x^(k)(n)，則剖分層計(jì)算公式如下：

其中，上標(biāo)k表示第k層，d為細(xì)節(jié)信號(hào)，s為逼近信號(hào)，l表示該層的第l個(gè)輸入；

第(k+1)層為預(yù)測(cè)層，該層輸出的計(jì)算公式如下：

其中，m為該層每個(gè)輸入對(duì)應(yīng)的卷積核函數(shù)個(gè)數(shù)，為預(yù)測(cè)層卷積核函數(shù)，b為偏置項(xiàng)；g為循環(huán)卷積算子，f為非線性函數(shù)；

第(k+2)層為更新層，該層輸出的計(jì)算公式如下：

其中，為更新層卷積核函數(shù)。

非線性函數(shù)f為relu函數(shù)，其表達(dá)式為：

f(x)＝max(0,x)。

池化層與全連層的算法如下：

設(shè)第z層為池化層，輸入為l表示輸入信號(hào)個(gè)數(shù)，則其輸出向量y^(z)的計(jì)算公式為

第(z+1)層為全連層，其前饋算法如下：

y^(z+1)＝f′(w^(z+1)x^(z+1)+b^(z+1))

其中，w^(z+1)為全連層權(quán)重矩陣，b^(z+1)為偏置項(xiàng)，非線性函數(shù)f′為sigmoid函數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)是：

本發(fā)明提出一種機(jī)械傳動(dòng)系統(tǒng)故障的多分辨率深度神經(jīng)網(wǎng)絡(luò)智能診斷方法，以原始機(jī)械信號(hào)直接作為神經(jīng)網(wǎng)絡(luò)輸入，通過(guò)自適應(yīng)特征學(xué)習(xí)得到不同數(shù)據(jù)的辨識(shí)性特征，并利用自適應(yīng)特征進(jìn)行智能分類以得到最佳分類效果。本發(fā)明方法即解決了海量數(shù)據(jù)下如何自適應(yīng)學(xué)習(xí)特征的問(wèn)題，也解決了神經(jīng)網(wǎng)絡(luò)對(duì)含噪輸入敏感的問(wèn)題，使得當(dāng)前海量數(shù)據(jù)下機(jī)械設(shè)備故障智能診斷問(wèn)題得到了很好的解決。具體優(yōu)點(diǎn)為：

1)不同于需要特征提取與優(yōu)化的傳統(tǒng)智能分類方法，本發(fā)明直接以采集得到的機(jī)械信號(hào)作為網(wǎng)絡(luò)輸入，省去了花費(fèi)于特征提取優(yōu)化的人力物力；

2)本發(fā)明通過(guò)多層神經(jīng)網(wǎng)絡(luò)的自適應(yīng)特征學(xué)習(xí)，可以成功地從輸入數(shù)據(jù)中學(xué)習(xí)到相應(yīng)的辨識(shí)性特征，做到有的放矢地學(xué)習(xí)特征，避免了傳統(tǒng)智能分類方法中進(jìn)行特征提取與優(yōu)化的盲目性，從而提高了分類精度。

3)本發(fā)明在多層自適應(yīng)特征學(xué)習(xí)中，能有效抑制隨機(jī)噪聲對(duì)特征提取的影響。

附圖說(shuō)明

圖1為本發(fā)明機(jī)械傳動(dòng)多分辨率深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清晰，以下結(jié)合具體實(shí)施案例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。

以某電機(jī)軸承故障數(shù)據(jù)集為例進(jìn)行說(shuō)明。該數(shù)據(jù)集包含3200組樣本，分別包括正常運(yùn)行、內(nèi)圈故障、外圈故障、滾動(dòng)體故障四種故障類型的數(shù)據(jù)。

如圖1所示，本發(fā)明包括以下步驟：

步驟s1，對(duì)于一樣本集合，得到深度神經(jīng)網(wǎng)絡(luò)的初始參數(shù)；

采用-1到1之間的隨機(jī)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)的各個(gè)卷積核函數(shù)進(jìn)行賦值，所有偏置項(xiàng)均設(shè)置為零。

步驟s2，對(duì)所述樣本集合中所有樣本依次輸入深度神經(jīng)網(wǎng)絡(luò)，得到網(wǎng)絡(luò)輸出結(jié)果；

從電機(jī)軸承故障數(shù)據(jù)樣本集合中隨機(jī)選擇一樣本信號(hào)，將信號(hào)輸入網(wǎng)絡(luò)，在一個(gè)“剖分-預(yù)測(cè)-更新”結(jié)構(gòu)中，信號(hào)依次進(jìn)行以下計(jì)算：

設(shè)第k層為剖分層，其輸入為x^(k)(n)，則剖分層計(jì)算公式如下：

其中上標(biāo)k表示第k層，d為細(xì)節(jié)信號(hào)，s為逼近信號(hào)，l表示該層的第l個(gè)輸入。

第(k+1)層為預(yù)測(cè)層，該層輸出的計(jì)算公式如下：

其中m為該層每個(gè)輸入對(duì)應(yīng)的卷積核函數(shù)個(gè)數(shù)，為預(yù)測(cè)層卷積核函數(shù)，b為偏置項(xiàng)。g為循環(huán)卷積算子，f為非線性函數(shù)。非線性函數(shù)f為relu函數(shù)，其表達(dá)式為

f(x)＝max(0,x)

第(k+2)層為更新層，該層輸出的計(jì)算公式如下：

其中為更新層卷積核函數(shù)。

經(jīng)過(guò)三層“剖分-預(yù)測(cè)-更新”的計(jì)算后，將三個(gè)更新層的所有輸出均輸入池化層，在池化層對(duì)輸入進(jìn)行池化合并得到一個(gè)輸出向量：

設(shè)第z層為池化層，輸入為l表示輸入信號(hào)個(gè)數(shù)，則其輸出向量y^(z)的計(jì)算公式為

第(z+1)層為全連層，其前饋算法如下：

y^(z+1)＝f′(w^(z+1)x^(z+1)+b^(z+1))

其中w^(z+1)為全連層權(quán)重矩陣，b^(z+1)為偏置項(xiàng)，非線性函數(shù)f′為sigmoid函數(shù)。

步驟s3，將輸出結(jié)果與樣本標(biāo)簽進(jìn)行對(duì)比得到相應(yīng)的總分類誤差；

根據(jù)電機(jī)軸承故障數(shù)據(jù)樣本集合的故障標(biāo)簽，計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出誤差函數(shù)：

l＝0.5∑(y-o)²

其中y為神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，o為期望結(jié)果。

步驟s4，利用所述步驟s3得到的總誤差計(jì)算神經(jīng)網(wǎng)絡(luò)每層的誤差；

采用隨機(jī)梯度下降法從誤差函數(shù)l逐層計(jì)算各個(gè)卷積核函數(shù)與偏置項(xiàng)的偏導(dǎo)。

步驟s5，利用所述步驟s4得到的深度神經(jīng)網(wǎng)絡(luò)誤差更新其網(wǎng)絡(luò)參數(shù)；

根據(jù)計(jì)算得到的偏導(dǎo)值，采用0.05的學(xué)習(xí)速率對(duì)各個(gè)參數(shù)進(jìn)行相應(yīng)的調(diào)整。

其中，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行基于隨機(jī)梯度下降法的網(wǎng)絡(luò)參數(shù)學(xué)習(xí)屬于本領(lǐng)域的現(xiàn)有技術(shù)，再次不做贅述。

步驟s6，以所述步驟s5中得到的新的深度神經(jīng)網(wǎng)絡(luò)計(jì)算每個(gè)樣本的網(wǎng)絡(luò)輸出結(jié)果；

步驟s7，返回步驟s3進(jìn)行迭代，直到分類精度或迭代次數(shù)達(dá)到預(yù)設(shè)要求，得到并輸出分類結(jié)果及網(wǎng)絡(luò)參數(shù)。

對(duì)該電機(jī)軸承故障數(shù)據(jù)集的學(xué)習(xí)與測(cè)試中，本發(fā)明能夠?qū)υ摂?shù)據(jù)集進(jìn)行正確的分類，直接以動(dòng)態(tài)信號(hào)作為網(wǎng)絡(luò)輸入，準(zhǔn)確實(shí)現(xiàn)了四種健康狀態(tài)的分類。

以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說(shuō)明。所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。