[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

说明书

本发明公开了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，包括以下步骤：对于一样本集合，得到深度神经网络的初始参数；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；将输出结果与样本标签进行对比得到相应的总分类误差；利用得到的总误差计算神经网络每层的误差；利用深度神经网络误差更新其网络参数；以得到的新的深度神经网络计算每个样本的网络输出结果；依次进行迭代，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。本发明直接以采集得到的机械信号作为网络输入，省去了花费于特征提取优化的人力物力，并且通过多层神经网络的自适应特征学习，提高了分类精度与网络抗噪性。

技术领域

本发明涉及机械设备故障智能诊断技术，具体涉及机械传动系统故障的多分辨率深度神经网络智能诊断方法。

背景技术

目前，传统机械设备故障智能诊断技术需要首先对采集到的信号进行特征提取与优化，才能进行相应的分类任务学习，比如提取信号的均方根值、偏斜度、峭度、信息熵等。随着数据量的增加及计算复杂度的显著上升，传统机械故障智能诊断算法需要耗费大量的人力物力计算敏感特征并进行特征优化，已经无法胜任复杂大规模数据下的智能诊断任务。传统方法难以满足目前对海量数据进行学习与智能分类的需要。

发明内容

本发明的目的在于提供一种机械传动系统故障的多分辨率深度神经网络智能诊断方法，该方法以直接采集得到的机械设备动态信号为输入，通过深度神经网络的自适应特征学习，得到相应的辨识性特征用于分类。本发明以较少的人为干预、较高的分类精度以及较高的抗噪声干扰性能优于常规智能分类方法。

为实现上述目的，本发明采用以下技术方案：

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，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。

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。

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。

池化层的输入为深度神经网络多个更新层输出的总体。

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。

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。