[发明专利]一种基于多尺度多任务学习的滚动轴承故障诊断方法

权利要求书

1.一种基于多尺度多任务学习的滚动轴承故障诊断方法，其特征在于，包括如下内容：(1)提取原始信息的多时间尺度的时频谱特征，其中，从数据集中截取一段含3600个样本点的时间序列x＝{x₁,x₂,x₃}，其中x₁，x₂，x₃分别含有1200个样本点，根据粗粒化原理，尺度为1的粗粒化序列即为y⁽¹⁾＝{x₁,x₂,x₃}，长度为3600个样本点，尺度为2的粗粒化序列为y⁽²⁾＝{y₁⁽²⁾,y₂⁽²⁾}，长度为2400个样本点，其中y₁⁽²⁾＝(x₁+x₂)/2，y₂⁽²⁾＝(x₂+x₃)/2，尺度为3的粗粒化序列为y⁽³⁾＝(x₁+x₂+x₃)/3，长度为1200个样本点；

(2)对多时间尺度的时频谱特征进行多任务学习，在不同尺度任务之间建立参数共享单元，通过不同尺度任务之间的参数共享单元自动学习共享特征，并获取特征共享的权重；

(2.1)获取N个任务在本层特征激活图中(j,k)位置上的激活点

(2.2)确定特征共享的权重，基于特征共享的权重，通过本层特征激活图的线性组合得到下一层的特征激活图；

其中，分别N个任务在本层特征激活图中(j,k)位置上的激活点，α为线性组合参数，表示特征共享的权重，用来衡量另一个任务的激活程度；

特征共享的最优权重值由神经网络的损失函数的大小决定，当模型损失不再下降从而达到收敛时，权重参数更新到了最佳值；不同尺度的组合根据具体识别任务的实验对比进行选择；通过反向传播不断更新得到N个任务的最佳权重矩阵，具体过程如下：

经过反向传播，权重参数的更新方式为：

…

同理更新权重矩阵中的所有参数；其中μ是神经网络的学习率，L是神经网络的损失函数；

(3)通过多尺度特征的多任务学习和共享，得到多尺度组合特征，并将多尺度组合特征输入到神经网络的全连接层分类器，实现对特征模式的识别。

2.根据权利要求1所述的一种基于多尺度多任务学习的滚动轴承故障诊断方法，其特征在于：步骤(1)中，采用多尺度粗粒化计算获取不同时间尺度下的信息序列，对不同时间尺度下的信息序列进行小波变换，获得不同时间尺度下原始信息的时间-频率特征。

3.根据权利要求2所述的一种基于多尺度多任务学习的滚动轴承故障诊断方法，其特征在于，所述多尺度粗粒化计算的具体步骤为：

每次跳跃1-τ个数据段，以τ为区间尺度做平均，形成原始信息时间尺度为τ的信息序列：

其中，x_l(t)为原始数据x(t)＝{x₁(t),x₂(t),...,x_n(t)}中第l个数据段，n为采样的数据段个数，τ为粗粒化计算的尺度因子，t为时域信号的时间，y_h^(τ)(t)即为经过粗粒化计算获取的第h个尺度因子为τ的信息序列；通过调节τ值，获取原始信息不同时间尺度的序列。

4.根据权利要求2或3所述的一种基于多尺度多任务学习的滚动轴承故障诊断方法，其特征在于，所述小波变换的具体步骤为：

其中，y(t)为输入的不同时间尺度的序列，为小波变换使用的小波基；a是用于调整小波基的参数因子，b是用于改变时域上的窗口位置的参数因子，t为时域信号的时间；

选取连续小波变换的Morlet小波作为小波基，其函数如下:

其中，ω₀为小波基的中心频率，t为时域信号的时间，i为虚数单位。

5.根据权利要求1所述的一种基于多尺度多任务学习的滚动轴承故障诊断方法，其特征在于，步骤(3)具体包括如下内容：

第一层全连接层使用ReLU函数作为激活函数：

其中，g为激活函数的输入特征；

在第一层全连接层后引入Dropout层；

第二层全连接层的神经元个数为模式识别分类任务的总类数，作为模型的输出层；在输出层，使用softmax函数输出每个类的条件概率；设输入样本有M类模式，第m类对应的输出概率O_m∈[0,1]为：

其中z_m是第m个类别的预测结果，通过模型训练估计得到。