[发明专利]一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法

权利要求书

1.一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法，其特征在于，包括以下步骤：

(1)采集旋转机械故障振动信号并分段处理：利用振动传感器采集旋转机械的工作状态振动信号，根据滑动重叠采样策略从数据集中选择长度为N的M段信号，滑动重叠步长为L，其中，L＝N/2，对信号进行重叠分段，组成旋转机械故障振动信号数据集{S}^N×M；

(2)预白化处理信号数据集：利用奇异值分解将数据集S分解为特征向量U和特征值矩阵Σ的乘积，即S＝U∑U^T，其中U的各向量需相互正交；计算所有特征值的和，选择前i个特征值及其特征向量重构数据集，形成白化后的数据集为其中，前i个特征值的和占所有特征值和的95％；

(3)构建基于非局部均值嵌入的深度卷积神经网络：将非局部均值嵌入卷积运算中，构建非局部均值嵌入的卷积块，并级联七个卷积块和池化层，形成基于非局部均值嵌入的深度卷积神经网络的智能诊断模型；

(4)训练神经网络模型：将振动信号的数据添加相应标签{y}，形成故障振动信号样本集从中不重复的随机选择50％的样本作为训练集，利用构建的智能诊断模型从输入数据中逐层提取训练样本中的非局部均值卷积特征，训练智能诊断模型的各层参数，并逐层学习获得有表征意义的故障特征，将验证训练模型的准确性和有效性；

(5)故障特征辨识：将剩余的50％样本作为测试集，输入训练完成的智能诊断模型中，辨识测试集故障特征，验证神经网络模型的特征辨识能力和故障分类性能，从而验证智能诊断模型的诊断效果和诊断准确率；

所述步骤(3)包括以下过程：

对于任意时刻t，对应的领域为Δt，领域内各点的加权平均值可以通过式(3)估计：

式中，w(t,τ)为根据高斯加权欧式距离估计得到的时刻τ的样本点相对于时刻t的样本点的权重值，它主要依赖于t和τ之间的样本点间的相似性，并且必须满足w(t,τ)∈[0,1]和通过领域内样本点之间的加权平均值从而达到降噪滤波的目的，利用信号在一定领域内的相似性的特点，不需要设计特定的滤波器；

利用式(4)估计时刻t和τ之间的样本序列区间y(Δt)和y(Δτ)之间的相似性权重值：

式中，高斯核函数G_σ表示为σ为高斯标准差，||·||_2,σ表示为l₂范数；

将式(3)广义扩展，并引入正则化因子λ，重新定义一个广义的非局部均值运算，如式(5)所示：

式中，x和y分别为输入信号和输出信号，可以认为是相邻两个信号区间，f为x_i和y_i之间的尺度函数，g是信号在位置j的表示，λ为正则化因子；

利用高斯核函数作为尺度函数f计算x_i和x_j在不同位置间的相似性点积：

根据卷积神经网络中卷积运算的定义，通过一卷积核k与输入数据之间做卷积，并遍历整个输入数据，形成一个新的权值矩阵W，通过信号位置x_i与x_j之间处与权值矩阵相乘，得到对应位置处学习到的特征，即θ(x_i)＝W_θx_i，φ(x_j)＝W_φx_j，将学习到的特征嵌入到高斯核函数中，可以得到：

式中，θ和φ是两个嵌入项；

通过计算两个嵌入特征之间的相似性点积对上述模型进行进一步扩展：

f(x_i,x_j)＝θ(x_i)^Tφ(x_j) (8)

引入卷积神经网络中池化运算，上式中的权值矩阵计算了在y_i上对应位置的嵌入，与x中的权值矩阵维数相匹配，采用降采样进一步减小计算量，式(5)修正为：

式中，表示x的降采样后的向量，γ表示正则化函数；

在定义了非局部均值块的基础上，将七个非局部均值块级联，构建基于非局部均值嵌入的深度卷积神经网络的智能诊断模型。