[发明专利]一种机械设备故障诊断方法、装置、设备及可读存储介质

权利要求书

1.一种机械设备故障诊断方法，其特征在于，包括：

获取待诊断机械设备的一维振动信号；

将所述一维振动信号输入训练得到的Morlet核卷积胶囊网络算法模型中，得到故障类别对应的概率向量；所述Morlet核卷积胶囊网络算法模型利用带有故障类别标签的历史一维振动信号训练得到，所述Morlet核卷积胶囊网络算法模型包括复Morlet核卷积层、主胶囊层、数字胶囊层及分类输出层；

将所述概率向量中的最大概率对应的故障类别确定为所述待诊断机械设备的故障类别。

2.根据权利要求1所述的机械设备故障诊断方法，其特征在于，所述Morlet核卷积胶囊网络算法模型为自适应Morlet核卷积胶囊网络算法模型，所述复Morlet核卷积层为自适应复Morlet核卷积层，所述自适应复Morlet核卷积层中的平移因子和伸缩因子随所述自适应Morlet核卷积胶囊网络算法模型训练反向传播更新。

3.根据权利要求2所述的机械设备故障诊断方法，其特征在于，所述自适应复Morlet核卷积层利用复Morlet小波基函数作为卷积核；

所述复Morlet小波基函数为：其中，f(t)为所述一维振动信号，t为时间，a为伸缩因子，b为平移因子，ω₀为角频率，i为虚数单位；

所述自适应复Morlet核卷积层的输出表示为：

其中，表示第l层的第i个复Morlet核，表示第l层的第i个卷积核，W为所述复Morlet核的尺寸，j’表示感受野的尺寸，r^j表示第j个复Morlet核的感受野，表示第j个感受野上输入的信号；

所述自适应复Morlet核卷积层中的平移因子和伸缩因子随所述自适应Morlet核卷积胶囊网络算法模型训练反向传播更新的过程包括：

其中，L为所述自适应Morlet核卷积胶囊网络算法模型的损失函数，所述损失函数为间隔损失和重构损失之和，表示所述自适应Morlet核卷积胶囊网络算法模型中所述自适应复Morlet核卷积层到输出层之间的中间层的梯度求导，为第k个复Morlet卷积核，a_k和b_k为伸缩因子和平移因子，η为学习率，为伸缩因子对应的偏差，为平移因子对应的偏差，z_k为反向传播过程中胶囊网络层梯度求导的总称。

4.根据权利要求3所述的机械设备故障诊断方法，其特征在于，所述主胶囊层中的运算为：

其中，u^l(i,j)表示主胶囊，表示所述自适应复Morlet核卷积层的输出经过激活函数之后输出的特征数据，f_a表示所述激活函数，f_s表示挤压函数。

5.根据权利要求1所述的机械设备故障诊断方法，其特征在于，还包括：

获取所述待诊断机械设备的一维振动信号对应的故障类别标签；

将所述待诊断机械设备的一维振动信号与对应的故障类别标签作为新增训练数据集；

将所述新增训练数据集与已有训练数据集进行合并，得到合并训练数据集；所述已有训练数据集中包含带有故障类别标签的历史一维振动信号；

利用所述合并训练数据集进行模型训练，得到新训练的Morlet核卷积胶囊网络算法模型；

将所述新训练的Morlet核卷积胶囊网络算法模型替换已有的Morlet核卷积胶囊网络算法模型。

6.根据权利要求1所述的机械设备故障诊断方法，其特征在于，还包括：

输出所述待诊断机械设备的故障类别。

7.根据权利要求6所述的机械设备故障诊断方法，其特征在于，输出所述待诊断机械设备的故障类别，包括：

将所述待诊断机械设备的故障类别通过邮件和/或短信发送至终端上。