[发明专利]一种基于深度神经网络的机械故障快速诊断方法

权利要求书

1.一种基于深度神经网络的机械故障快速诊断方法，其特征在于，包括以下步骤：

(1)收集训练样本和测试样本：采用凯斯西储大学的轴承振动信号的频谱作为总样本，其中25％训练样本，75％测试样本；其数据采样频率48k，包含10种故障类型、3种载荷；每种故障类型包含200个总样本，每个样本包含2400个数据点；经过傅里叶变换后得到1200个傅里叶系数；

(2)建立深度神经网络：将批标准化算法整合到叠加自动编码算法中，建立一个多层深度神经网络模型；

(3)深度神经网络模型的预训练：采用无标签的训练样本集对建立的深度神经网络模型进行逐层预训练；

(4)深度神经网络模型的微调：采用有标签的训练样本集，通过BP反向传播算法对深度神经网络进行微调；

(5)采用测试样本进行验证所建立的深度神经网络模型的有效性。

2.根据权利要求1所述的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，在步骤(2)中，将批标准化算法整合到叠加自动编码算法中，建立一个五层深度神经网络模型。

3.根据权利要求1或2所述的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，将批标准化算法嵌入到叠加的自动编码器的每一层中，组成批标准化的叠加自动编码器。

4.根据权利要求2所述的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，所述的五层深度神经网络模型，每层的神经元个数分别为：1200、600、200、100、10。

5.根据权利要求1或2所述的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，所述的深度神经网络模型的编码和解码函数为sigmoid函数。

6.根据权利要求1或2所述的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，所述的深度神经网络模型每层的训练迭代次数为20，批尺寸为50，学习率为1E-4。

7.根据权利要求1所述的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，所述的将批标准化算法整合到叠加自动编码算法中，建立一个多层深度神经网络模型，是指：用批标准化的方式来重参数化所有的深度神经网络，其过程可以应用于每一个激活层而不需要参数调节，即通过一个独立的方式来标准化矩阵的每一行使其有零均值和单位方差：

x^i,j,n=xi,j,n-μσ---(4)]]>

上式中，x_i,j,n表示位于(i,j)的值,n表示特征映射矩阵的行数，μ是每一个单元的均值，σ表示标准差；其中在训练过程中：

σ=ϵ+1nΣi(xi,j,n-μ)---(5)]]>

其中ε＝10^-8，以强制避免遇到的梯度在s＝0处未定义的问题；

相应地，标准化的值经历移位和缩放：

fi,j,n=γnx^i,j,n+βn---(6)]]>

其中γ_n和β_n表示用于网络训练的新的移位和缩放参数。