[发明专利]一种基于层次卷积神经网络的机械故障预测方法

权利要求书

1.一种基于层次卷积神经网络的机械故障预测方法，其特征在于，该方法包括以下步骤：

(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；

(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网络 模型具有两类分类器，分别为粗分类器及精分类器；其中，所述粗分类器及所述精分类器共享多个卷积层及池化层，以实现所述粗分类器及所述精分类器通用特征的提取，且所述粗分类器及所述精分类器分别对应故障种类在不同粒度上的层次划分；

(3)首先，采用粗标签对所述粗分类器进行训练，同时所述层次卷积神经网络进行粗分类；接着，采用精标签对所述精分类器进行训练以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。

2.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法，其特征在于：步骤(1)中，从采集到的所述振动信号中随机截取时序信号样本，并采用S变换将所述时序信号样本内的信号自时域转换成时频域，进而将得到的二维矩阵调整为224×224维矩阵。

3.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法，其特征在于：所述粗分类器及所述精分类器分别是采用粗标签及精标签进行训练得到的。

4.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法，其特征在于：所述层次卷积神经网络模型的最终损失函数为：

Loss_i＝-αCorseLoss_i-(1-α)FinalLoss_i (1)

式中，是粗分类器损失CorseLoss_i和精分类器损失FinalLoss_i在总损失Loss_i上的折中参数。

5.如权利要求4所述的基于层次卷积神经网络的机械故障预测方法，其特征在于：通过改变α来引导整个神经网络由粗分类转变为细分类，以提高分类器的准确性。

6.如权利要求4所述的基于层次卷积神经网络的机械故障预测方法，其特征在于：采用AdamOptimizer优化算法对所述最终损失函数进行最小化。