[发明专利]一种基于改进卷积神经网络的故障诊断方法

说明书

本发明公开了一种基于改进卷积神经网络的故障诊断方法，涉及故障诊断技术领域，该方法建立改进的卷积神经网络模型，改进的卷积神经网络模型依次包括输入层、若干层特征提取层、新增卷积层、全连接层和输出层，每层特征提取层分别依次包括卷积层和池化层，使用训练集和测试集基于改进的卷积神经网络模型训练得到故障诊断模型，即可用于自动化的故障诊断，该方法在特征提取层和全连接层之间还设置了一个新增卷积层，新增卷积层可以提取模型深层特征，有效增强模型的泛化能力，同时对特征提取层也进行了改进，在一定程度上可以减少过拟合的风险并加快计算速度。

技术领域

本发明涉及故障诊断技术领域，尤其是一种基于改进卷积神经网络的故障诊断方法。

背景技术

近些年来，机器学习在指纹识别、文本识别、语音识别、故障诊断和图片分类等领域的应用愈加广泛，基本达到商业化的要求。作为机器学习的分支，深度学习解决了传统的深层神经网络训练困难的问题。

作为深度学习模型中的一员，CNN(卷积神经网络)在图片识别和故障诊断领域应用广泛，能实现自适应特征提取和智能分类，对高维和非线性数据有很强大的处理能力，此外，CNN在保持一定降噪滤波效果的同时能保证特征提取不变性，因此在大数据背景的故障诊断领域广为应用。CNN将卷积操作与反向传播算法相结合，完成卷积核参数的自学习训练，但是CNN具有深度学习以及传统神经网络的固有缺点：梯度消失、过拟合、计算量大以及模型泛化能力弱。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于改进卷积神经网络的故障诊断方法，该方法包括如下步骤：

获取样本数据集，样本数据集中包括各个状态类型的时间序列数据，对样本数据集进行数据预处理得到训练集和测试集，训练集和测试集中分别包括若干个状态类型对应的时序图，状态类型包括正常状态以及q类故障状态，q为正整数，每个时序图中包括p个数据；

建立改进的卷积神经网络模型，改进的卷积神经网络模型依次包括输入层、若干层特征提取层、新增卷积层、全连接层和输出层，每层特征提取层分别依次包括卷积层和池化层；

将训练集输入改进的卷积神经网络模型训练得到故障诊断模型，将测试集输入训练得到的故障诊断模型对故障诊断模型进行测试；

获取系统运行过程中的待诊断的时间序列数据，将待诊断的时间序列数据输入测试完成的故障诊断模型得到对应的状态类型完成对系统的故障诊断。

本发明的有益技术效果是：

本申请提供了一种基于改进卷积神经网络的故障诊断方法，基于改进的卷积神经网络模型训练得到故障诊断模型，本申请的改进的卷积神经网络模型中在内部包括成对出现的卷积层和池化层的特征提取层之余，在特征提取层和全连接层之间还设置了一个新增卷积层，新增卷积层可以提取模型深层特征，有效增强模型的泛化能力。同时本申请对特征提取层也进行了改进，特征提取层内的卷积层由若干个卷积核构成，对信号进行特征提取得到特征图，池化层对卷积层的输出进行分割和压缩，缩小特征图尺寸，在一定程度上可以减少过拟合的风险并加快计算速度，训练得到的故障诊断模型可以用于系统的故障诊断，在改善了过拟合和计算速度的同时大大提升了模型的泛化能力。

附图说明

图1是本申请中的改进的卷积神经网络模型的模型结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请提供了一种基于改进卷积神经网络的故障诊断方法，该方法包括如下步骤：