[发明专利]一种无监督深度学习网络的机械故障诊断方法

权利要求书

1.一种无监督深度学习网络的机械故障诊断方法，其特征在于，包括以下步骤：

步骤1、预先选定机械设备上的被测部件，采集机械设备上被测部件的振动信号；

步骤2、将采集的振动信号转化为混合域故障特征数据集，并将其分为测试样本特征子集与训练样本特征子集，测试样本特征子集即作为测试样本，训练样本特征子集即作为训练样本；

步骤3、初始化无监督深度学习网络UDLN模型的参数，将训练样本输入到UDLN模型中进行预训练，得到UDLN模型的参数；

预训练具体如下：

UDLN模型由两阶段学习构成：首先，将训练样本输入到L12范数稀疏滤波L12SF特征提取层，L12范数是融合1范数与2范数的范数表达，利用该L12SF产生特征竞争特效，从而提取到特征值；然后,该提取的特征值被送入到加权欧式距离相似仿射WE-AP聚类层，得到训练后的UDLN模型的参数；

将训练样本输入到UDLN模型中进行预训练的过程如下：

步骤3.1、初始化UDLN模型的参数；

步骤3.2、将训练样本特征子集作为两层L12SF的原始输入，逐层提取混合域故障特征数据集的低维无监督特征；其中，L12SF的目标函数如下：

其中，||*||₁表示1范数，||*||₂表示2范数，对M个训练样本来说表示第i个训练样本的第l个特征值，xⁱ表示第i个训练样本，w_i是第i个训练样本的权值参数，表示最小化w_i,，W_l^T为UDLN模型的第l特征值的权值参数的转置，||*||_L12为融合1范数与2范数的L12；融合1范数与2范数的L12范数R(w)为：

其中，为正则化范数调节系数，通过优化目标函数提取出新的第i个的训练样本的l个特征值f_lⁱ为

f_lⁱ＝G(W_l^Txⁱ)

其中，G(*)为激活函数；

将f_lⁱ＝G(W_l^Txⁱ)采用L-BFGS算法来优化L12SF的目标函数直至收敛；

步骤3.3、将步骤3.2提取的特征值输入WE-AP的聚类层进行故障聚类学习与故障划分，这里WE-AP聚类首先初始化具有N个训练样本的加权相似度矩阵S_w

其中，x_1k与x_2k表示两个不同训练样本的第k个特征，S_k表示两个训练样本的方差，n为特征值数目，N＝M；

同时，计算第i个训练样本的可信度和可用度，其具体的计算方式为

R(i,k)＝S(i,k)-max{A(i,j)+S(i,j)}

St.j＝1,2,...,Nandj≠i,k

St.j＝1,2,...,Nandj≠i,k

R(k,k)＝B(k)-max{A(k,j)+S(k,j)}

St.j＝1,2,...,Nandj≠k

其中，B(k)为先验数值，代表每一个训练样本被选为聚类中心点的倾向性；S(i,k)表示第i个训练样本与第k个训练样本的加权相似度矩阵，A(i,j)表示了第i个训练样本选择第j个训练样本作为其聚类中心的可用度，S(i,j)表示第i个训练样本与第j个训练样本的加权相似度矩阵，A(i,k)表示了第i个训练样本选择第k个训练样本为其聚类中心的可用度，A(i,j)表示了第i个训练样本选择第j个训练样本作为其聚类中心的可用度，R(K,k)表示了第K个训练样本选择第k个训练样本作为其聚类中心的可信度，R(i,k)表示了第i个训练样本选择第k个训练样本作为其聚类中心的可信度，R(k,k)表示了第k个训练样本选择第k个训练样本作为其聚类中心的可信度，A(k,j)表示了第k个训练样本选择第j个训练样本作为其聚类中心的可用度，S(k,j)表示第k个训练样本与第j个训练样本的加权相似度矩阵；

步骤4、再将测试样本输入到训练完成的UDLN模型，得到故障聚类与识别结果；

步骤5、根据故障聚类的隶属度情况及聚类中心，计算各类故障识别率，实现机械设备的故障诊断。