[发明专利]机械传动故障的多分辨率深度神经网络智能诊断方法

权利要求书

1.一种机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，包括下述步骤：

步骤S1，以机械传动故障数据集作为样本集合，并从样本集合得到深度神经网络的初始网络参数；所述深度神经网络为基于多层卷积神经网络研究的深度神经网络，是由三个堆栈“剖分-预测-更新”结构、一个池化层与一个全连层构成，

步骤S2，对样本集合中所有样本依次输入深度神经网络，得到网络输出结果；

步骤S3，将输出结果与样本标签进行对比得到相应的总分类误差；

步骤S4，利用步骤S3得到的总误差计算神经网络每层的误差；

步骤S5，利用步骤S4得到的深度神经网络误差更新其网络参数；

步骤S6，以步骤S5中得到的更新后的深度神经网络计算每个样本的网络输出结果；

步骤S7，返回步骤S3进行迭代，直到分类精度或迭代次数达到预设要求，得到并输出分类结果及网络参数；

其中，“剖分-预测-更新”结构的前馈算法如下：

设第k层为剖分层，其输入为x^(k)(n)，则剖分层计算公式如下：

其中，上标k表示第k层，d为细节信号，s为逼近信号，l表示该层的第l个输入；

第(k+1)层为预测层，该层输出的计算公式如下：

其中，m为该层每个输入对应的卷积核函数个数，为预测层卷积核函数，b为偏置项；g为循环卷积算子，f为非线性函数；

第(k+2)层为更新层，该层输出的计算公式如下：

其中，为更新层卷积核函数。

2.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，所述深度神经网络采用-1到1之间的随机数对神经网络内的各个卷积核函数进行赋值，所有偏置项均设置为零。

3.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，深度神经网络的训练方法为随机梯度下降法；深度神经网络的学习能力由一个基于时域提升算法构造的“剖分-预测-更新”三层网络结构实现。

4.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，池化层的输入为深度神经网络多个更新层输出的总体。

5.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，深度神经网络的损失函数L表示为：

L＝0.5∑(y-o)²

其中，y为神经网络输出结果，o为期望结果。

6.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，步骤S2具体包括以下步骤：

从机械传动故障数据样本集合中随机选择一样本信号，将信号输入深度神经网络，在一个“剖分-预测-更新”结构中，信号依次进行计算；

经过多层“剖分-预测-更新”的计算后，将多个更新层的所有输出均输入池化层，在池化层对输入进行池化合并得到一个输出向量。

7.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，非线性函数f为ReLU函数，其表达式为：

f(x)＝max(0,x)。

8.如权利要求1所述的机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，池化层与全连层的算法如下：

设第z层为池化层，输入为l表示输入信号个数，则其输出向量y^(z)的计算公式为

第(z+1)层为全连层，其前馈算法如下：

其中，W^(z+1)为全连层权重矩阵，b^(z+1)为偏置项，非线性函数f′为sigmoid函数。