[发明专利]多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法

权利要求书

1.一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法，其特征在于，其步骤如下：

步骤1.训练样本的分解、变换和处理；

对训练样本进行双树复小波分解，得到若干个多尺度分量，对每个尺度分量进行傅里叶变换，得到对应尺度分量的若干个频谱，然后对每个频谱进行归一化处理形成各个尺度分量对应的归一化频谱；

步骤2.设置堆叠稀疏自编码神经网络模型(SAE)的参数、进行学习；

设置堆叠稀疏自编码神经网络模型(SAE)的网络结构参数，包括网络层数、各层节点个数，隐层节点数目少于输入节点个数；设置堆叠稀疏自编码神经网络模型的稀疏参数，包括权重归一化控制系数、稀疏归一化系数、稀疏比例；

①将训练样本各个尺度的归一化频谱作为堆叠自编码神经网络模型中自编码模型(AE)的输入，对第一个自编码模型(AE)进行无监督学习，得到输入层节点和隐层节点之间的权值以及隐层的偏置参数；

②利用输入样本和得到的第一个自编码模型参数，可以计算出第一个自编码模型隐层的输出；将第一个自编码模型的隐层输出看做该自编码模型输入层的表示层，同时作为第二个自编码模型的输入，并训练第二个自编码模型；

③对堆叠稀疏自编码神经网络模型中的其他若干个自编码模型依次按照上述②的规则进行训练；

步骤3.串联训练；

将步骤2的最后一个自编码模型的隐层输出与一个Softmax网络串联起来进行有监督训练；得到最后一个自编码模型的隐层节点和Softmax网络节点之间的权值和Softmax网络层的偏置参数；

步骤4.堆叠成深度神经网络；

将输入层与步骤2-3中的所有表示层及Softmax网络依次串联起来，构成一个深度神经网络模型；在步骤3的基础上，也即利用网络相邻各层之间的连接权值和各层的偏置参数，采用有监督学习方式进一步训练深度神经网络模型得到该模型的参数，包括相邻各层节点之间的连接权值和各层的偏置参数；

步骤5.验证；

利用测试样本对步骤4中得到的深度神经网络模型进行验证；如果诊断精度达不到要求，重新执行上述步骤2-4的过程直到诊断精度达到要求后完成训练，得到最终模型参数；

步骤6.诊断；

利用所得模型对实际样本进行诊断，得到诊断结果；

所述的步骤1的具体过程包括如下子步骤：

a.选择双树复小波滤波器；ψ_h(t),ψ_g(t)分别为双树复小波变换采用的实值小波函数，φ_h(t),φ_g(t)分别为对应的尺度函数，小波函数与尺度函数互为希尔伯特变换对；

b.利用双树复小波滤波器对训练样本进行M层分解，分别得到小波系数和尺度系数其中1≤l≤M；构成训练样本在1≤l≤M尺度下的复小波系数：

c.对各尺度小波系数d_l(k)及尺度系数c_l(k)进行傅里叶变换，得到d_l(f)和c_l(f)，

d.利用函数NormalY(x)对d_l(f)和c_l(f)归一化得到d_l'(f)和c'_l(f)，其中，NormalY(x)为：

x_min＝min(x)，x_max＝max(x)；

其中第一个自编码模型(AE)的输入层节点个数为归一化的d′_l(f)和c'_l(f)中元素个数之和，输入层元素为各尺度小波归一化系数d′_l(f)与尺度归一化系数c'_l(f)串联组成的一维矩阵，第一个自编码模型输出层节点个数与输入层节点个数相同，随后的各自编码模型输入节点个数与前一个自编码模型AE隐层节点个数相同，各自编码模型输出层节点个数与该自编码模型AE输入层节点个数相同，各自编码模型隐层节点数少于前一个自编码模型输入层节点个数；Softmax模型输出层节点数和故障类别数目相同。

2.根据权利要求1所述的多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法，其特征在于，所述的步骤2中堆叠自编码神经网络模型的稀疏参数是通过网格搜索(Gridsearch)算法进行优化后设置，也即各参数在设定的范围内，按照一定的步长采用穷举的方法验证各参数组合的性能，选择最优的一组参数作为模型的参数。