[发明专利]基于一维卷积与动态路由的多传感器滚动轴承故障诊断

权利要求书

1.基于一维卷积与动态路由的多传感器滚动轴承故障诊断，其特征在于，具体包括以下步骤：

步骤S1，获取多传感器测量的不同状态的振动信号；

步骤S2，建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息；

步骤S3，采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合，并使用softmax分类器映射输出；

在所述步骤S2中，建立与步骤S1中传感器的数量相对应且相互平行的多个一维卷积神经网络，并由对应的一维卷积神经网络来提取对应传感器所获取振动信号的特征信息；

在所述步骤S2中，建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息的具体过程如下：

步骤S21，采用卷积运算，计算卷积层第i个传感器的第a个卷积核与输入特征c⁽ⁱ⁾的卷积：其中，为卷积输出，为卷积核，为偏置矩阵，为卷积符号，n为卷积核数目；

步骤S22，按照平均池化的方式对池化层第i个传感器第a个输入特征进行次采样：其中，pz为池化尺寸，mean为平均运算；

步骤S23，将特征图重构为一个高维单层神经元结构，则全连接层第i个传感器第a个神经元的输出为：其中，K_f为权值矩阵，b_f为偏置矩阵，f(·)为激活函数；

在所示步骤S23中，为进一步增强该故障诊断的泛化能力，对全连接层归一化并输出

所述步骤S3的具体过程为：

步骤S31，将变换矩阵W_i与归一化后的输入特征Fi相乘，得到预测向量U_i，U_i＝W_iF_i；

步骤S32，令相似度得分b_i为零矩阵，耦合系数ci由bi的softmax函数得到：b_i＝O，c_i＝softmax(b_i)；

步骤S33，根据耦合系数c_i和预测向量U_i得到临时输出矩阵s：其中，m为输入向量的数量；

步骤S34，激活向量v_j(动态路由的最终输出特征)为：其中，squash函数为激活函数；

步骤S35，根据激活向量与预测向量的相似性来更新相似度得分b_i：b_i＝b_i+U_i·V；

步骤S36，循环指定次数，输出Y：Y＝v，其中，Y为预测结果；

步骤S37，采用softmax分类器得到诊断结果

其中，为第i个样本的预测输出，N为故障类型的数量，X_i为第i个样本的输入特征，为第i个样本的第n类预测输出概率，损失函数采用交叉熵损失函数式中，L为损失函数的值，A为样本数，a_in为第i个样本的第n个指示变量。

2.根据权利要求1所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断，其特征在于，在所述步骤S1中，将多传感器测量的振动信号通过快速傅里叶变换为频谱。

3.根据权利要求1所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断，其特征在于，在所述步骤S21中，为防止出现梯度弥散问题，将ReLU函数作为的卷积输出的激活函数：

4.根据权利要求3所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断，其特征在于，在所述步骤S22中，按照平均池化的方式对池化层第i个传感器第a个输入特征进行次采样：其中，pz为池化尺寸，mean为平均运算。