[发明专利]一种基于深度学习的IMC开路故障诊断方法

权利要求书

1.一种基于深度学习的IMC开路故障诊断方法，其特征在于：包括如下步骤：

步骤一：采集故障数据；

步骤二：数据处理归一化；

步骤三：建立测试样本集；

步骤四：SAE网络提取特征；

步骤五：SVM分类器输出。

2.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的步骤四中的SAE网络提取特征依靠堆栈自编码器实现。

3.根据权利要求2所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的堆栈自编码器是由多个自编码器堆叠而成，所述的自编码器是一种三层神经网络。

4.根据权利要求3所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：

所述的自编码器由编码器和解码器组成；

所述的编码器是将输入数据进行降维，以提取数据中的特征数据；

所述的解码器是将提取的特征数据进行升维，以尽可能还原成输入数据。

5.根据权利要求4所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的编码器和解码器的运行过程如下式所示：

h＝s_f(W⁽¹⁾x+b⁽¹⁾)

z＝s_f(W⁽²⁾h+b⁽²⁾)

式中，W⁽¹⁾是编码器的权值矩阵，b⁽¹⁾是编码器的偏置矩阵，W⁽²⁾是解码器的权值矩阵，b⁽²⁾是解码器的偏置矩阵。s_f是激活函数。

6.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的步骤四中SAE网络通常将交叉熵损失(CrossEntroyLoss)，其损失函数的表达式如下：

7.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的步骤四中SAE网络训练包括如下步骤：

步骤一：无监督的前向的堆叠式编码器，通过逐层训练编码器以构成一个堆栈编码器，每相邻的两层中前一层的输出数据是后一层的输入数据，经过这样一个训练过程对整个SAE的参数进行初始化；

步骤二：反向的微调，添加网络输出层，SAE通过少量的输出数据来进行反向微调学习。

8.根据权利要求7所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的步骤二中反向微调过程在监督下进行。

9.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的步骤四步骤五中SVM分类器是将数据从输入空间经过非线性映射映射到特征空间，从而对高维特征空间的线性拟合问题进行解决。以下为SVM的目标函数：

式中，C为拟合误差的输出惩罚系数；L(u_i)是损失函数，具体表达式如下：