[发明专利]一种多尺度结构与特征融合的齿轮箱智能故障诊断方法

权利要求书

1.一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，包括以下步骤：

步骤1：多尺度深度特征提取结构设计；

步骤2：基于信息熵的深度特征融合策略设计；

步骤3：基于深度置信网络的健康状态识别。

2.根据权利要求1所述的一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，所述步骤1中，多尺度深度特征提取结构设计，其具体步骤为：

步骤1.1：构建多个不同性质的自编码器；

步骤1.2：将不同性质的自编码器并联组合生成多尺度深度特征提取结构。

3.根据权利要求1所述的一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，所述步骤2中，基于信息熵的深度特征融合策略设计，其具体步骤为：

步骤2.1：获取评价矩阵A；

步骤2.2：基于信息熵计算各个模型的融合权重；

步骤2.3：计算深度融合特征H。

4.根据权利要求1所述的一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，所述步骤3中，基于深度置信网络的健康状态识别，其具体步骤为：

步骤3.1：预训练受限玻尔兹曼机模型；

步骤3.2：将受限玻尔兹曼机模型堆栈生成深度置信网络。

5.根据权利要求2所述的一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，所述的步骤1.1中，构建多个不同性质的自编码器，其具体步骤为：

步骤1.1.1：设计具有三个神经网络层的自编码器模型，神经网络层分别为输入层、隐藏层和输出层，其中输入层和输出层的神经元数相同，且隐藏层神经元数小于输入层；

步骤1.1.2：在自编码器模型中利用KL距离引入稀疏正则项，构建稀疏自编码器，利用KL距离构建的稀疏正则项表达式为：

其中，表示输入层的输入向量x对隐藏层的第j个神经元的平均值，ρ为稀疏响应系数。

步骤1.1.3：在自编码器模型的基础上，将输入层改为带有随机噪声的输入层，从而构建降噪自编码器；

步骤1.1.4：在自编码器模型的基础上，利用隐藏层的输出关于输入的雅克比矩阵来进行惩罚，从而构建收缩自编码器。

6.根据权利要求2所述的一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，所述的步骤1.2中，将不同性质的自编码器模型并联组合生成多尺度深度特征提取结构，其具体步骤为：

步骤1.2.1：预训练多个自编码器模型，按照预训练的次序依次将模型堆栈起来，形成深度自编码器，以同样的方式构建深度稀疏自编码器、深度去噪自编码器、深度收缩自编码器；

步骤1.2.2：将生成的深度自编码器、深度稀疏自编码器、深度去噪自编码器和深度收缩自编码器以并联的方式进行组合，生成多尺度深度特征提取结构。

7.根据权利要求3所述的一种多尺度结构与特征融合的齿轮箱智能故障诊断方法，其特征在于，所述的步骤2.1中，获取评价矩阵A，其具体步骤为：

步骤2.1.1：根据训练数据和训练标签，对多尺度深度特征提取结构的深度自编码器、深度稀疏自编码器、深度去噪自编码器和深度收缩自编码器进行预训练；

步骤2.1.2：获取每个模型的每种故障类型的准确率，将其组合成评价矩阵A，具体形式如下：

其中，A_ij表示第j个模型的第i种故障对应的准确率，当j＝1时，代表深度自编码器，当j＝2时，代表深度稀疏自编码器；当j＝3时，代表深度去噪自编码器；当j＝4时，代表深度收缩自编码器，d表示故障的类型数量。