[发明专利]一种联合收割机脱粒滚筒收获状态故障诊断方法

权利要求书

1.一种联合收割机脱粒滚筒收获状态故障诊断方法，其特征在于，包括以下步骤：

步骤S1、样本获取与预处理：采集得到联合收割机脱粒滚筒不同工况故障数据，得到源域辅助样本，以及目标域训练标记样本和目标域测试样本；

步骤S2、源域辅助样本下预测模型的训练：将所述源域辅助样本的原始信号频谱作为DBN网络的输入，逐层更新DBN网络的权重和偏置值对输入信号进行分级表达，得到基于辅助标记样本的预测模型；

步骤S3、目标域少量标记样本有监督微调预测模型：再用少量的目标域少量标记样本有监督微调基于辅助标记样本的预测模型的网络权重和偏置值，使得DBN网络权重和偏置值从源域到目标域的迁移，完成对网络参数的训练，获得适应目标样本领域数据故障诊断的网络权重和偏置值，实现目标域待测数据的故障诊断；

步骤S4、输出诊断结果：将目标域测试样本输入微调后的预测模型，最终输出网络诊断结果。

2.根据权利要求1所述的联合收割机脱粒滚筒收获状态故障诊断方法，其特征在于，所述步骤S1具体为：采集得到不同工况故障数据，分别计算频谱，并将频谱数据的幅值归一化到[0，1]的范围，分别获得源域辅助样本，以及少量目标域训练标记样本和目标域测试样本，经过处理得到的样本输入范围为[0，1]；

获取的样本数据集定义为：

D_s＝{X_s,T_s}

D_t＝{X_t,T_t}

其中:D_s为辅助样本集，D_t为目标样本集；X_s为辅助样本，X_t为目标样本；T_s为辅助样本对应的标签，T_t为目标样本对应的标签。

3.根据权利要求1所述的联合收割机脱粒滚筒收获状态故障诊断方法，其特征在于，所述步骤S2具体为：设置深度置信网络的参数，包括受限玻尔兹曼机RBM个数N、隐含层单元数、初始化权重和偏置，并输入其源域辅助样本数据用贪婪算法逐层训练得到每一个RBM的初始参数，将上一个RBM的输出作为下一个RBM的输入，直到N个RBM的训练完成，再用源域标签有监督微调网络，得到预测模型。

4.根据权利要求3所述的联合收割机脱粒滚筒收获状态故障诊断方法，其特征在于，所述预测模型，将辅助样本Ds用于DBN网络的预训练，权重和偏置值利用受限玻尔兹曼机的能量表达式：

其中，参数集θ＝{W,a,b}，v_i为第i个可视层神经元状态；h_j为第j个隐含层神经元状态；a和b为神经元的偏置向量，a_i为可视层神经元i的偏置，b_j为隐含层神经元j的偏置；m为可视层神经元个数；n为隐含层神经元个数；W为两层之间的连接权重，W_ij为连接可视层神经元i和隐含层神经元j的权重。

5.根据权利要求4所述的联合收割机脱粒滚筒收获状态故障诊断方法，其特征在于，所述RBM的隐含层神经元状态h_j被可视层神经元状态v_i激活的概率为：

可视层神经元状态v_i也能被隐含层神经元状态h_j激活，激活概率为：

δ为激活函数，所述激活函数为sigmoid激活函数；

采用随机梯度上升法计算似然函数lgP(v，h)的函数最大值，得到每个RBM的参数集θ，其中，v为可视层神经元状态和h为隐含层神经元状态。