[发明专利]基于深度解耦卷积神经网络的复合故障诊断方法及装置

权利要求书

1.一种基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，包括步骤：

步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号，按一定的样本点长度截取得到若干样本，将单一故障样本组成训练集，以及所有复合故障样本组成测试集，并分别设定类别标签；

步骤二：构建深度可辨别性特征提取模型，在keras框架下，通过多层顺序堆叠卷积层和池化层，搭建一维深度卷积神经网络模型；

步骤三：构建解耦分类器，在keras框架下，以步骤二提取的特征为输入，通过堆叠多个解耦分类层，构建具有多标签输出特性的解耦分类器；

步骤四：网络模型的训练，采用边界损失函数，同时结合路由协同算法，在只使用单一故障数据的前提下，对网络模型进行训练，并采用网络搜索算法来选取相应超参数，最终获得最优的深度解耦卷积神经网络模型；

步骤五：复合故障的智能诊断与分类，将采集到的复合故障信号输入已经训练好的深度解耦卷积神经网络模型中进行测试，通过解耦分类器的输出得到复合故障的实时诊断结果。

2.根据权利要求1所述的基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，步骤一中，所述样本由振动加速度信号直接截取得来，在划分样本集时，训练集中仅包含单一故障样本，测试集中则同时包含单一故障样本和复合故障样本。

3.根据权利要求2所述的基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，由振动加速度信号直接截取样本时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为8个周期，重叠率为0.5。

4.根据权利要求1所述的基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，所述步骤二中以一维深度卷积神经网络为基础，通过多个卷积层和池化层的顺序堆叠构建深度可辨别性特征提取模型，其结构主要包括输入层、卷积层、池化层；所述深度可辨别性特征提取模型通过对信号进行逐层的特征提取获得具有可辨别性的深度特征。

5.根据权利要求1所述的基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，所述步骤三以向量神经元取代传统分类器标量神经元的方式构建解耦分类器；所述解耦分类器由多个解耦分类层堆叠组成，通过路由协同算法来优化相邻两个解耦分类层之间的映射与耦合关系，其构建步骤具体可表示为：

(1)由步骤二得到的最后池化层输出的多通道一维特征，通过维度变换组成一个矩阵，该矩阵即为初始解耦分类层的输入，用表示，其中K_l表示向量神经元的个数，也等于最后池化层之前的卷积核个数，每个向量神经元储存一种特征信息，R_l表示每个初始向量神经元的维度；

(2)假设第二个解耦分类层的向量神经元的个数为C，即单一故障的类别数，用来表示其输出，则整个计算过程为：

其中：i＝1,2,…,K_l，j＝1,2,…,C，为权重矩阵，为中间特征，c_ij为耦合系数，squash函数为解耦分类层的激活函数；

(3)步骤(2)中的耦合系数c_ij由路由协同算法进行迭代更新，给定初始值b_ij，其计算公式为

通过计算相邻层向量神经元之间的路由协同的大小来计算更新相邻层向量神经元之间的耦合系数c_ij，可表示为

c_ij＝softmax(b_ij)；

(4)依次计算与更新迭代可得最后一个解耦分类层的输出v，通过求v的L2范数可得每一输出向量神经元的长度，此长度即代表相应类别存在的概率；

(5)最后通过设定下个阈值若步骤(4)中得到的相应向量神经元的长度超过此阈值的类别则输出相应的单一故障标签，当对复合故障进行检测时，解耦分类器输出组成复合故障的多个单一故障的标签，实现复合故障的解耦与识别。

6.根据权利要求5所述的基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，步骤(3)中，给定初始值b_ij时，先择零值初始化。