[发明专利]基于卷积神经网络代价敏感学习的故障诊断方法及系统

权利要求书

1.一种基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，包括：

构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法对机械振动训练数据集进行特征学习；

所述卷积神经网络模型采用VGG-11级联两层全连接层，经特征学习后的卷积神经网络模型以VGG-11对经维度转换的机械振动预分类数据集进行特征提取，将提取的特征输入全连接层进行故障诊断分类。

2.如权利要求1所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，对所述机械振动预分类数据集进行维度转换，采用错位时间序列方法将机械振动预分类数据集转化为二维图像数据。

3.如权利要求1所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，所述代价敏感学习方法在卷积神经网络在输出层添加代价敏感层，经特征学习后，所述代价敏感层的参数构成代价敏感矩阵。

4.如权利要求3所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，所述代价敏感矩阵给不同的错误分类赋予不同的代价，采用贝叶斯决策方法选择代价期望值最小的分类类别作为最后的故障分类结果。

5.如权利要求3所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，所述代价敏感层的误差函数为：

其中，d⁽ⁱ⁾代表第i个样例的真实类别向量；代表第i个样例经过网络预测得到的分类向量；M代表数据集的样本数量；θ为代价敏感层的参数；l(·)为代理误差函数；ξ为代价敏感矩阵。

6.如权利要求5所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，所述代理误差函数为：

其中，d_n满足Σ_nd_n＝1是每个样本的标签向量的分量，y_n是前一层的神经元输出被代价层修改后的值，n代表输出向量或标签向量的第n维，p是一个样本的真实类别满足k代表所有类别的代号k∈[1,N]，其中ξ_p,k代表本来为p样本错分为k类的代价，o_k同o_n分别代表没有经过代价层修改的输出层第k维与第n维度输出。

7.如权利要求3所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，自动优化代价敏感矩阵ξ：控制参数θ不变，采用误差函数通过误差反向传播算法优化代价矩阵ξ。

8.如权利要求7所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，所述误差函数为：

其中，矩阵S代表类间可分性矩阵，矩阵R是分类误差的混淆矩阵，E_val(θ,ξ)代表在当前参数下在验证集上取得的错误率，H是根据样本分布频率直方图获得的矩阵，参数u₁σ₁、u₁σ₁代表错误率的均值和方差。

9.如权利要求3所述的基于卷积神经网络代价敏感学习的故障诊断方法，其特征在于，保证代价敏感矩阵的参数值不变，采用反向传播算法优化参数θ。

10.一种基于卷积神经网络代价敏感学习的故障诊断系统，其特征在于，包括：

特征学习模块，被配置为构建添加代价敏感层的卷积神经网络模型，采用代价敏感学习方法对机械振动训练数据集进行特征学习；

特征提取与分类模块，被配置为所述卷积神经网络模型采用VGG-11级联两层全连接层，经特征学习后的卷积神经网络模型以VGG-11对经维度转换的机械振动预分类数据集进行特征提取，将提取的特征输入全连接层进行故障诊断分类。