[发明专利]机械传动故障的多分辨率深度神经网络智能诊断方法

摘要

本发明公开了一种机械传动故障的多分辨率深度神经网络智能诊断方法，包括以下步骤：对于一样本集合，得到深度神经网络的初始参数；对样本集合中所有样本依次输入深度神经网络，得到网络输出结果；将输出结果与样本标签进行对比得到相应的总分类误差；利用得到的总误差计算神经网络每层的误差；利用深度神经网络误差更新其网络参数；以得到的新的深度神经网络计算每个样本的网络输出结果；依次进行迭代，直到分类精度或迭代次数达到预设要求，得到并输出分类结果及网络参数。本发明直接以采集得到的机械信号作为网络输入，省去了花费于特征提取优化的人力物力，并且通过多层神经网络的自适应特征学习，提高了分类精度与网络抗噪性。

主权项

1.一种机械传动故障的多分辨率深度神经网络智能诊断方法，其特征在于，包括下述步骤：步骤S1，以机械传动故障数据集作为样本集合，并从样本集合得到深度神经网络的初始网络参数；所述深度神经网络为基于多层卷积神经网络研究的深度神经网络，是由三个堆栈“剖分‑预测‑更新”结构、一个池化层与一个全连层构成，步骤S2，对样本集合中所有样本依次输入深度神经网络，得到网络输出结果；步骤S3，将输出结果与样本标签进行对比得到相应的总分类误差；步骤S4，利用步骤S3得到的总误差计算神经网络每层的误差；步骤S5，利用步骤S4得到的深度神经网络误差更新其网络参数；步骤S6，以步骤S5中得到的更新后的深度神经网络计算每个样本的网络输出结果；步骤S7，返回步骤S3进行迭代，直到分类精度或迭代次数达到预设要求，得到并输出分类结果及网络参数；其中，“剖分‑预测‑更新”结构的前馈算法如下：设第k层为剖分层，其输入为x^(k)(n)，则剖分层计算公式如下：其中，上标k表示第k层，d为细节信号，s为逼近信号，l表示该层的第l个输入；第(k+1)层为预测层，该层输出的计算公式如下：其中，m为该层每个输入对应的卷积核函数个数，为预测层卷积核函数，b为偏置项；g为循环卷积算子，f为非线性函数；第(k+2)层为更新层，该层输出的计算公式如下：其中，为更新层卷积核函数。