[发明专利]基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法

权利要求书

1.基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法，其特征在于：在该方法中，对训练样本进行加噪增强，将多个稀疏自编码堆栈后添加分类层构建出集寿命特征自动提取与寿命阶段智能识别于一体的深度稀疏自编码学习网络；通过加噪样本增强抑制学习网络的过拟合问题和提高网络鲁棒性；利用稀疏自编码自动学习数据内部结构特征的优点，通过多层稀疏自编码对加噪增强样本进行逐层无监督自适应学习和有监督微调，在不同层获得“层次型”寿命特征，实现旋转机械寿命特征自动提取与表达，最终在分类层完成旋转机械寿命阶段的智能识别。

2.根据权利要求1所述的基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法，其特征在于：该方法具体包括以下步骤：

S1：采集数据，样本加噪增强：采集数据，获得训练样本，设置加噪幅值系数k和加噪次数M对训练样本进行增强得到增强后的训练样本；计算训练样本进行预处理、计算频谱并对其归一化到[0,1]；

S2：设置网络结构参数，构建深度稀疏自编码学习网络：设置稀疏自编码的层数N、各层神经元个数、稀疏目标值、分类层神经元个数等构建出深度稀疏自编码学习网络；

S3：预训练：以加噪样本增强后的训练样本作为输入，以未加噪样本作为训练目标，应用逐层贪婪法逐层训练N个稀疏自编码，即将每个稀疏自编码的输出作为下一个稀疏自编码的输入，直到完成N个稀疏自编码的预训练；

S4：有监督微调：输入有标签训练样本对预训练得到的参数进行微调，完成深度稀疏自编码学习网络的训练；

S5：输出结果：输入测试样本，由完成训练后的学习网络对旋转机械寿命特征进行提取和表达，并输出寿命阶段识别结果，完成旋转机械寿命阶段识别。

3.根据权利要求2所述的基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法，其特征在于：在步骤S1中，具体包括：

S11：设原始样本为x(t)，依次加入M次(M>0)高斯白噪声n_i(t)(i＝1～M)，得到每次加噪后的样本：

x_i^*(t)＝x(t)+n_i(t)

即样本扩展后，训练样本由原来{x(t)}扩展为{x(t)，x₁^*(t),…,x_M^*(t)}，样本数量为原来的M+1倍；

S12：所加入的高斯白噪声n_i(t)为：

式中，σ是信号x(t)的标准差，k为幅值系数，n_st(t)是标准差为1，均值为0的高斯白噪声；

S13：计算增强样本后的频谱，并对其归一化到[0,1]，作为深度稀疏自编码学习神经网络的输入；由输入频谱取值范围为[0,1]选择sigmoid函数作为激活函数。

4.根据权利要求3所述的基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法，其特征在于：在步骤S2中，深度自编码学习网络第一层系数自编码的输入层神经元个数为频谱的谱线数，分类层神经元个数为寿命阶段个数。