[发明专利]一种用于诊断航空发动机锥齿轮故障的深度网络构建方法

权利要求书

1.一种用于诊断航空发动机锥齿轮故障的深度网络构建方法，包括如下步骤：

S100：采集航空发动机锥齿轮振动信号并划分为训练集D_train、验证集D_valid和测试集D_test；

S200：构建网络搜索空间O，根据网络搜索空间O构造超网络H(w)，基于训练集D_train并采用两种掩码矩阵Mask依次对超网络H(w)中的含参算子OP_5-8进行预热训练和对超网络H(w)进行解耦训练，得到优化后的超网络H(w^*)；

S300：基于优化后的超网络H(w^*)构造基于变分后验分布族的可微性能评估器Λ，利用变分推断对可微性能评估器Λ进行优化，获得优化后的变分后验分布族，并对优化后的变分后验分布族通过采样获得候选网络架构集合Set；

S400：利用训练集D_train和验证集D_valid对所述候选网络架构集合Set中的网络架构重新训练，并在测试集D_test上按照测试准确率从大到小排序，将测试准确率最高的网络架构作为最优的航空发动机锥齿轮故障诊断深度网络架构。

2.根据权利要求1所述的方法，其中，优选的，步骤S200中，所述超网络H(w)表示为：

其中，OP_1-4为网络搜索空间O中的非参算子，OP_5-8为含参算子；系数矩阵A共有14行8列，每一行都代表超网络H(w)中的一条混合运算边，每一行中的8个值α₁...α₈分别为组成该条混合边的8种算子的系数，系数均设置为1；代表系数矩阵A在搜索空间O上的作用，x为模型输入，w为含参算子的参数；网络搜索空间O＝{置零，最大池化，平均池化，残差连接，卷积核大小为3的分离卷积，卷积核大小为5的分离卷积，卷积核大小为3的扩张卷积，卷积核大小为5的扩张卷积}。

3.根据权利要求1所述的方法，其中，步骤S200中，对超网络H(w)中的含参算OP_5-8进行预热训练通过以下方式进行：将Mask矩阵设置为1，Mask矩阵的其他值设置为0；

对超网络H(w)进行解耦训练通过以下方式进行：Mask矩阵中的每一个值服从参数为p的伯努利分布，每个值以概率p设置为0，以概率1-p设置为1。

4.根据权利要求1所述的方法，其中，步骤S200中，所述优化后的超网络H(w^*)表示为：

H(w^*)＝arg min_wL_train(w)

其中，L_train(w)为交叉熵损失函数，w为在超网络中的网络参数，w^*为在超网络中优化后的网络参数。

5.根据权利要求1所述的方法，其中，步骤S300中，所述可微性能评估器Λ包括112个变分后验分布，即{Λ_i，i＝1，2…112}，其中，每一个变分后验分布设置为参数为θ_i的高斯分布。

6.根据权利要求1所述的方法，其中，步骤S300中，利用变分推断对可微性能评估器Λ进行优化包括如下步骤：

S301：通过重参数方法对可微性能评估器Λ中的变分后验分布进行初始化；

S302：利用初始化后的变分后验分布近似真实后验分布，并通过计算KL散度对初始化后的变分后验分布和真实后验分布的距离进行最小化，从而实现可微性能评估器Λ的变分推断优化；

S303：采用双峰先验分布P(Λ)对步骤S302进行软约束。