[发明专利]复合故障诊断方法、装置、电子设备和存储介质

权利要求书

1.一种复合故障诊断方法，其特征在于，包括：

获取待检测旋转机械的多路工作状态信号；

对所述多路工作状态信号进行预处理，得到特征信号数据集；

根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型。

2.根据权利要求1所述的方法，其特征在于，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：

其中，i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，表示相关标签位置输出层神经元的输出值，表示不相关标签位置输出层神经元的输出值，Y_i表示与样本相关的标签集合，表示与样本无关的标签集合，|Y_i|表示与样本相关的标签集合的值，表示与样本无关的标签集合的值，f_distance表示距离函数。

3.根据权利要求2所述方法，其特征在于，所述BP-MLL改进算法用于通过误差函数：

调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，V_td表示第t个隐含层神经元与第d个输入层神经元之间的权重值，W_st表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型之前，所述方法还包括：

获取训练样本集和测试样本集，所述训练样本集和所述测试样本集中的数据是对预先采集的旋转机械的工作状态信号进行预处理得到的；

利用BP-MLL改进算法对所述训练样本集进行训练，得到初始神经网络模型；

根据测试样本集对所述初始神经网络模型进行测试，得到所述BP-MLL神经网络模型。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述多路工作状态信号进行预处理，得到特征信号数据集，包括：

对所述多路工作状态信号的时域和频域进行特征提取，得到所述多路工作状态信号的时频域特征参数集；

根据所述时频域特征参数集，通过凝聚度评估算法构造所述特征信号数据集。

6.一种复合故障诊断装置，其特征在于，包括：

获取模块，用于获取待检测旋转机械的多路工作状态信号；

处理模块，用于对所述多路工作状态信号进行预处理，得到特征信号数据集；根据反向传播多标签学习BP-MLL神经网络模型对所述特征信号数据集进行分析，确定所述待检测旋转机械的复合故障类型。

7.根据权利要求6所述的装置，其特征在于，所述BP-MLL神经网络模型是根据BP-MLL改进算法训练得到的，所述BP-MLL改进算法用于根据与样本相关的标签集合的值和与样本无关的标签集合的值，确定距离函数：

其中，i表示样本序号，k表示相关标签的样本序号，l表示不相关标签的样本序号，表示相关标签位置输出层神经元的输出值，表示不相关标签位置输出层神经元的输出值，Y_i表示与样本相关的标签集合，表示与样本无关的标签集合，|Y_i|表示与样本相关的标签集合的值，表示与样本无关的标签集合的值，f_distance表示距离函数；

所述BP-MLL改进算法用于通过误差函数：

调整神经网络的权重值，其中，E表示误差，I表示样本数据集的对数，β表示正则化系数，V_td表示第t个隐含层神经元与第d个输入层神经元之间的权重值，W_st表示第s个输出层神经元与第t个隐含层神经元之间的权重值，N表示输入层神经元的个数，M表示隐含层神经元的个数，J表示输出层神经元的个数。