[发明专利]小样本下基于自我学习的变工况机械故障智能诊断方法

权利要求书

1.小样本下基于自我学习的变工况机械故障智能诊断方法，其特征在于，包括以下步骤：

步骤1：以机械设备变工况运行状态下的机械信号样本作为数据集合，每种运行状态下的机械信号样本数不超过30个，对获取到的机械信号样本进行标准化预处理，得到预处理后的真实机械信号样本；

步骤2：构建生成器与鉴别器结合的生成对抗网络；

步骤3：对于步骤2中的生成对抗网络，采用循环对抗式的训练方法进行训练，通过生成机械信号样本的方式增强训练数据集；

步骤4：构建以卷积神经网络为基础的自我学习网络模型；

所述自我学习网络模型由一维卷积编码器与一维卷积解码器构成，其输入和输出均为机械信号样本，使用ReLUs作为激活函数，ReLUs定义为：

式中，p是对该激活函数的输入，q是该激活函数的输出；

同时，自我学习网络模型使用均方误差MSE作为损失函数，MSE定义为：

式中，h是输入数据，h′是输出数据，m是输入和输出数据的维度；

步骤5：使用生成对抗网络生成的机械信号样本与不超过30个的预处理后的真实机械信号样本预训练自我学习网络模型，初步提取机械信号样本的数据特征并保存自我学习网络模型的网络权重；

所述自我学习网络模型预训练过程使用小批量梯度下降法更新网络参数，小批量梯度下降法具体为：

每次迭代训练使用r个样本来对参数进行更新，学习率为e，则有：

式中，θ_i是更新前第i个网络参数，θ_i′是更新后第i个网络参数，h_θ(x)是网络的实际输出，y是网络的期望输出，x_i是输入数据的第i个值；

步骤6：构建卷积神经网络与Softmax分类器结合的机械设备状态分类与识别网络模型，载入步骤5中保存的网络权重；

所述机械设备状态分类与识别网络模型中的卷积神经网络结构与步骤4中自我学习网络模型中的一维卷积编码器部分完全一致，均由8层一维卷积层和8层最大池化层构成；

步骤7：使用不超过30个的预处理后的真实机械信号样本及每个机械信号样本对应的状态标签对机械设备状态分类与识别网络模型的网络权重进行微调，权重微调后的机械设备状态分类与识别网络模型即能够实现变工况下的机械故障智能诊断；

步骤1中机械设备变工况运行状态包括变负载、变转速及噪声干扰；

步骤1中所述的标准化预处理使用零均值规范化，计算式为：

式中，n为单个输入信号样本的数据点个数，x_i为输入信号样本中的第i个数据点，为输入信号样本的均值，s为输入信号样本的样本标准差，y_i为零均值规范化处理后的新信号样本中的第i个数据点；

步骤2中所述的生成器的输入为高斯噪声，输出为机械信号样本；鉴别器的输入为步骤1预处理后的真实机械信号样本与生成器生成的机械信号样本，输出为输入的信号样本属于真实信号样本的概率值，生成器和鉴别器均由3层全连接网络组成且均使用Leaky ReLUs作为激活函数，Leaky ReLUs定义为：

式中，v是该激活函数的输入，u是该激活函数的输出，a是大于1的正数；

步骤3中循环对抗式的训练方法具体为：在一个训练周期内，鉴别器更新4次参数之后，生成器更新1次参数，完成参数更新之后生成对抗网络进入下一轮训练周期；

步骤6中机械设备状态分类与识别网络模型输入为预处理后的真实机械信号样本及每个真实机械信号样本对应的状态标签，输出为对每个真实机械信号样本的预测标签，使用ReLUs作为激活函数，同时使用交叉熵作为损失函数，交叉熵损失函数定义为：

式中，L_c为交叉熵损失函数的损失值，z为期望输出的标签信息，为实际网络输出的标签信息；

步骤6中所述的机械设备状态分类与识别网络模型中每一层均被加入了L2正则化以提高网络的泛化能力，L2正则化方法具体为：

式中，L为加入L2正则化之后的训练样本误差，E_in是未包含正则化项的训练误差，λ是正则化参数，w_j是机械设备状态分类与识别网络模型的第j个权重参数。