[发明专利]一种多特征提取与融合的智能故障诊断方法

权利要求书

1.一种多特征提取与融合的智能故障诊断方法，其特征在于，包括以下步骤：

(1)利用数据采集系统和传感器采集机械设备运行过程中的数据，所述的数据包括振动数据，声音数据；

(2)以确定的长度截取不经任何处理的原始信号，并将其分为训练样本和测试样本，做各段信号的频谱并归一化；

(3)基于自编码器构建多特征提取器，然后利用提取到的多个特征基于动态路由算法构建多特征融合器；

所述的多特征提取器的计算过程如下：

给定一个无标签的训练样本编码器使用映射函数h计算得到向量特征：

f_l＝h(x)＝Ψ_act(Wx)

其中，Ψ_act是非线性激活函数；f_l由n个向量特征组成，其表示为：W由n个权重矩阵组成，其表示为：被用来计算向量特征f_li；

多特征提取器的解码器使用映射函数g从向量特征中重构输入

其中，

(4)利用softmax分类器对融合后的特征进行轴承健康状态识别；

(5)利用训练样本训练模型，提取区分各轴承健康状态有效的特征以及自适应地学习特征融合方法；

(6)将测试样本输入至模型中，进行多特征提取与融合，实现设备故障的智能诊断。

2.根据权利要求1所述的一种多特征提取与融合的智能故障诊断方法，其特征在于，步骤(3)中所述的基于自编码器构建的多特征提取器是通过n个权重矩阵W从输入中有效地提取向量特征，之后再利用n个权重矩阵U从向量特征中重构输入，这样就形成了具有输入层、特征层和重构层三层结构的多特征提取器。

3.根据权利要求1所述的一种多特征提取与融合的智能故障诊断方法，其特征在于，步骤(3)中所述的基于动态路由算法构建的多特征融合器，首先通过仿射变换将多特征提取器提取到的多个向量特征转换成低级状态特征，低级状态特征通过动态路由算法合成高级状态特征，这些高级状态向量的长度表示设备处于某一健康状态的可能性。

4.根据权利要求1所述的一种多特征提取与融合的智能故障诊断方法，其特征在于，步骤(5)中所述的训练过程具体是：通过优化目标函数C，让模型自适应地学习网络参数{W,U,V}，目标函数由两部分组成，第一部分c₁用于约束多特征提取器，使多特征提取器能够更好地提取特征；第二部分c₂用于约束整个模型，使模型能够更好地对设备状态进行识别；

c₂＝T_k(max(0,m⁺-‖v_k‖))²+(1-T_k)(max(0,‖v_k‖-m^-))²

C＝c₁+λc₂

其中，当预测的状态与实际状态一致时，T_k＝1，否则，T_k＝0；

重复执行步骤(5)，直至循环次数达到设定值。