[发明专利]一种机械设备深度学习状态识别与诊断方法

权利要求书

1.一种机械设备深度学习状态识别与诊断方法，其特征在于：该方法包括以下步骤：

S1：监测机械设备运行过程中的工况信息，利用加速度传感器获取设备振动信号数据，传感器数据为x轴、y轴以及z轴方向中一个或多个方向振动信号，以实现机械设备在线状态识别与诊断为目标；

S2：构建深度非负自编码网络，设定深度非负自编码网络网络结构和初始参数；

S3：将步骤S1所得振动信号划分训练样本和测试样本两类；

S4：对步骤S3所得到的训练样本和测试样本振动信号进行时频变换，获取信号时频幅值谱；

S5：将步骤S4所得到的训练样本时频幅值谱作为步骤S1所得到的深度非负自编码网络的输入，采用无监督逐层预训练方法对深度非负自编码网络中各层自编码器进行预训练；

S6：对步骤S5所得到的预训练深度非负自编码网络进行有监督微调，得到优化深度非负自编码网络；

S7：根据步骤S6所得到的深度非负自编码网络得到机械设备状态识别与诊断结果。

2.根据权利要求1所述的一种机械设备深度学习状态识别与诊断方法，其特征在于：在所述步骤S2具体为：

S21：步骤S2中采用逐层堆栈的方法对自编码器和分类器进行前后连接构建深度非负自编码网络，第l层自编码器的隐藏层输出作为第l+1层自编码器的输入，表示为

其中：h^(l)表示第l层自编码器的隐藏层输出，x^(l)和x^(l+1)分别为第l和l+1层编码器的输入，为第l层自编码器参数；

S22：在最后一个自动编码器的隐藏层输出，添加一个Softmax分类层构成具备分类能力的深度非负自编码网络。

3.根据权利要求1所述的一种机械设备深度学习状态识别与诊断方法，其特征在于：所述步骤S4中，采用短时傅里叶变换方法对传感器采集的振动信号进行时频分析得到时频幅值谱；短时傅里叶变换STFT定义为：

式中，γ(t)为一个宽度很短的窗函数。

4.根据权利要求1所述的一种机械设备深度学习状态识别与诊断方法，其特征在于：所述步骤S5中，关于利用训练样本时频幅值谱对深度非负自编码网络中各层自编码器进行预训练，预训练步骤如下：

S51：时频幅值谱归一化处理为列向量，幅值范围[0,1]；

S52：对深度非负自编码网络中各层自编码器采用无监督方式进行逐层预训练，并对各层自编码器参数添加非负约束和稀疏约束，构造如下预训练阶段代价函数：

其中：J_E(W,b)为重构误差项，为稀疏约束项，β为平衡稀疏约束项的系数，为权重约束项，α为平衡权重约束项的系数，为第l层第j个神经元与第l+1层第i个神经元之间的权重参数；

S53：构造基于平方误差的重构误差

其中，S_f和S_g分别为自编码器中编码器和解码器的激活函数，m为样本数目，x_r为输入数据；

S54：采用基于Kullback-Leibler，即KL，散度函数施加稀疏约束实现模型稀疏化，定义为

式中，为隐藏神经元平均激活度向量，当且仅当时，

S55：构造如下非负约束限制项

S56：采用梯度下降算法以迭代方式更新和优化自编码器参数W和b，和公式如下：

其中，为第l+1层第i个单元的偏置项，η＞0为学习速率，其决定参数更新的速度。