[发明专利]基于自编码器特征升维和多传感融合的电机故障分类方法

权利要求书

1.一种基于自编码器特征升维和多传感融合的电机故障分类方法，其特征在于：方法包括以下步骤：

步骤S1，利用传感器采集已知故障类型的电机的一维时域信号，将采集的一维时域信号及一维时域信号对应的故障类型作为训练集对二维深度卷积网络进行训练，所述一维时域信号包括加速度、电流和声音，所述二维深度卷积网络包括自编码器中的编码器、二维特征融合网络和深度卷积分类网络；

步骤S2，利用传感器采集待测量电机在相同工作时间段内的多个一维时域信号，将待测量电机的多个一维时域信号输入自编码器中的编码器获得多个一维时域信号的二维特征图；

步骤S3，将多个一维时域信号的二维特征图按通道方向叠加在一起形成维度为H×W×(C*M)的叠加二维特征图，其中，H代表叠加二维特征图的行数，W代表叠加二维特征图的列数，C代表叠加二维特征图的通道数，M代表信号种类；

步骤S4，将步骤S3中获得的叠加二维特征图输入二维特征融合网络进行特征融合，获得维度为H×W的融合特征图；

步骤S5，将步骤S4中获得的维度为H×W的融合特征图输入深度卷积分类网络，得到待测量电机的各种故障类型的分类概率，完成对待测量电机的故障的分类。

2.根据权利要求1所述的一种基于自编码器特征升维和多传感融合的电机故障分类方法，其特征在于：所述对二维深度卷积网络进行训练分为两个阶段，第一个阶段为结合训练集中的一维时域信号对自编码器进行独立训练；第二个阶段为对二维特征融合网络和深度卷积分类网络进行训练；

所述自编码器具体进行以下处理：

将训练集中的一维时域信号依次输入自编码器，所述自编码器包括编码器和解码器两部分；编码器通过逆卷积操作将输入的一维时域信号进行升维特征的提取，获得二维特征图；解码器对获得的二维特征图进行多层卷积操作重建一维时域信号；通过参数的调整，使得解码器重建的一维时域信号与输入的一维时域信号之间的误差达到最小，完成对自编码器中的编码器的训练；

所述二维特征融合网络和深度卷积分类网络具体进行以下处理：

首先冻结训练后的自编码器的网络参数，然后将训练集中的一维时域信号输入训练后的自编码器的编码器中获得一维时域信号的二维特征图，然后将二维特征图按通道方向叠加成叠加二维特征图，再将叠加二维特征图依次输入二维特征融合网络和深度卷积分类网络，结合训练集中的一维时域信号对应的故障类型对二维特征融合网络和深度卷积分类网络进行训练，确定二维特征融合网络和深度卷积分类网络的最优参数以及深度卷积分类网络的输出概率各自对应的故障类型，完成对二维特征融合网络和深度卷积分类网络的训练。

3.根据权利要求2所述的一种基于自编码器特征升维和多传感融合的电机故障分类方法，其特征在于：自编码器的数量与传感器的数量相同，每个自编码器分别通过各自对应传感器采集的一维时域信号进行独立地训练。

4.根据权利要求2所述的一种基于自编码器特征升维和多传感融合的电机故障分类方法，其特征在于：所述一维时域信号为N×1的一维向量，所述逆卷积操作采用尺寸为4×4或者6×6的卷积核；第一层的逆卷积操作将一维时域信号的输出通道数提高到512或1024，且减少一维时域信号的二维特征图的通道数；所述多层卷积操作采用和逆卷积操作相同尺寸的卷积核，解码器通过多层卷积操作将二维特征图的输出通道数重新提高到512或1024，且二维特征图经最后一个卷积层操作后输出N×1的一维时域信号。

5.根据权利要求2所述的一种基于自编码器特征升维和多传感融合的电机故障分类方法，其特征在于：自编码器的逆卷积操作和多层卷积操作均依次采用激活函数RELU和批归一化Batch Normalization,BN进行处理。