[发明专利]面向旋转机械故障诊断的分层多叉网络结构高效搜索方法

说明书

本发明公开了一种面向旋转机械故障诊断的分层多叉网络结构高效搜索方法，利用长短时记忆网络创建控制器来搜索确定两类元结构，再按照定义堆叠成子模型。元结构由五个节点构成，包括两个输入节点和三个待搜索节点，待搜索节点又包括左右子节点，子节点的输入和操作类型待搜索确定。子模型由元结构堆叠的分层结构能控制搜索自由度提升搜索效率，并且支撑子模型的迁移性能；元结构中节点的多叉结构相比于链式结构又使得子模型能从原始数据中提取更深层的特征，对于提升其诊断性能有重要意义。方法使用时，以元结构待搜索量为输入、由子模型验证精度确定的标签为输出训练控制器，控制器设计出两类元结构根据堆叠定义和规则创建出完整的子模型，在目标数据集上进行验证，控制器和子模型的训练交替进行，最终得到能够设计出有着良好诊断性能和迁移性能的子模型的控制器。以上特点使得本发明方法在面对不同的旋转机械诊断任务时可以自动创建高精度的诊断模型，并且能够迁移完成其它的诊断任务。

技术领域

本发明属于旋转机械故障诊断网络结构自动搜索方法技术领域，具体涉及面向旋转机械故障诊断的分层多叉网络结构高效搜索方法。

背景技术

旋转机械组件如轴承、齿轮、滚珠丝杠等作为传动部件的核心组成部分应用非常广泛，重要性也日益突出。近年来，关于旋转机械健康管理的研究也越来越成熟，特别是旋转机械的故障诊断方法，从开始的经典方法，发展到现在以数据驱动方法为主，就是因为数据驱动的方法特别是深度学习的方法能自动提取数据特征，应用快速便捷，对专业知识要求较低。不过在面对不同的旋转部件对象时需要重新训练，甚至需要重新设计创建神经网络。根据具体问题设计特定的神经网络模型能取得非常高的诊断精度，缺点是网络结构复杂，涉及到很多信号处理及深度学习建模相关的知识，需要高昂的时间和人力成本。

为了解决这个问题，研究者们进行了两个方向的探索，1)迁移学习，提高网络模型的迁移性能，将针对某一特定诊断任务的网络模型迁移至其它诊断任务；2)神经结构搜索，面对具体的诊断任务可自动设计出高性能的网络模型，摆脱对建模知识的依赖。

迁移学习当前的局限是只能在同类相似甚至相同设备之间进行方法模型的迁移，其中完全迁移在诊断精度上差强人意，特别在不同设备之间的迁移诊断上，而且模型的改造需要专门知识支撑；而半迁移虽然能够重用基于源域数据训练的模型结构和权值，一定程度上节省创建新模型的时间人力成本，但当面对多种目标域诊断任务时，源域模型并不都能很好地完成迁移，仍然需要创建新的模型。

神经结构搜索的逻辑过程是首先定义搜索空间，然后通过搜索策略找出候选网络结构，对这些候选网络进行评估，再根据反馈进行下一轮搜索。相对于迁移诊断，神经结构搜索的研究不多，旋转机械的诊断网络自动搜索则更少，西工大作者基于强化学习创建了卷积神经网络结构搜索方法，能根据当前状态设计选择网络层创建子模型，经过验证搜索出的子模型能达到不错的精度。

神经结构自动搜索方法虽然能自动地针对不同的诊断任务设计不同的神经网络模型，但是搜索效率低、消耗计算资源多是阻碍其发展的最大的问题。因此，在图像识别领域国外研究者CMU和Google又提出了基于块的网络生成方法，通过搜索定制化的块堆叠成子模型来控制搜索自由度。谷歌的学者也提出了重用子模型网络层权重的方法来提升搜索效率。以及哥伦比亚大学学者提出结合网络结构信息，超参数信息以及时序验证精度信息预测模型表现，以指导网络结构搜索的方法来节省子模型验证时间。不过这些策略和方法仍然存在降低模型性能或者对模型的评价具备不确定性等一系列问题。

发明内容

针对现有技术方法存在的不足，本发明的目的在于提供一种面向旋转机械故障诊断的分层多叉网络结构高效搜索方法，该方法解决了针对不同诊断任务重新设计高精度诊断模型依赖建模专业知识、神经结构自动搜索方法消耗大量计算资源以及针对具体问题搜索出的网络模型无法适用其它诊断任务的问题。

为实现上述目的，本发明一种面向旋转机械故障诊断的分层多叉网络结构高效搜索方法，具体包括以下步骤：