[发明专利]基于多属性卷积神经网络的旋转机械故障定量诊断方法

权利要求书

1.一种基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述诊断方法具体步骤如下：

(1)数据准备阶段：采集各种工况下旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库，训练数据库由训练集和验证集组成，所述样本点包括数据和多属性标签；

(2)创建阶段：创建多属性卷积神经网络；

(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数；

(4)测试阶段：采集待诊断的旋转机械振动数据，从振动数据中创建足够多数据样本点，用训练好的多属性卷积神经网络对所述数据样本点进行诊断，完成对旋转机械故障的定量诊断。

2.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述步骤(1)中所述样本点和所述步骤(4)中所述数据样本点中的数据创建方式为：采用随机方式创建，即对于每种工况下采样数据，在随机位置处截取振动数据中大于一个数据周期长度的连续数据点作为一个样本点，优先选择k*2ⁿ个数据点作为一个样本点，其中n为正整数，k＝1或3，所述旋转机械中转子旋转一圈，采样的数据点个数定义为数据周期。

3.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述步骤(1)中所述样本点中的多属性标签创建方式为：旋转机械故障属性的数目为M，则样本点多属性标签有M维，每维数值是故障属性下的属性种类的序号。

4.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述步骤(2)中多属性卷积神经网络的创建方式为：多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层，每层卷积层后接一个激活层，激活函数采用偏移修正线性单元，具体表达式为max(-1，x)；卷积层的卷积模板尺寸为3*1，除了最后一层为1*1，卷积层步长均为1*1；最大池化层池化窗口均为2*1，步长均为2*1；输入层大小为H*1*K，其中H为样本点长度，K为数据维度，即传感器数目；软最大化输出层由M个得分向量组成，旋转机械的每个故障属性用一个得分向量表示，每个得分向量的维数等于对应故障属性下属性种类数目；最后三层特征图大小等于M个得分向量维数之和；风险损失是M个交叉熵函数的加权平均值；

所述多属性卷积神经网络的一个样本点i的风险损失为：

Li=Σk=1MλkLikΣk=1Mλk=1,λk>0]]>

Lik=-log[eskyikΣj=1nkeskj),(k=1,2,...,M)]]>

式中：M是故障属性数目，L_ik是故障属性k的风险损失，λ_k是故障属性k的权重，向量sk是故障属性k的得分向量，nk是故障属性k的属性种类数目，向量yi是多属性标签，yik为故障属性k的多属性标签的序号。