[发明专利]一种深度神经网络结合人工蜂群优化的智能故障诊断方法

权利要求书

1.一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，包括以下步骤：

步骤1：提出一种用于振动信号的数据扩充策略；

步骤2：提出一种深度无损非负约束稀疏自编码器模型；

步骤3：利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。

2.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤1中，提出一种用于振动信号的数据扩充策略，其具体步骤为：

步骤1.1：数据划分：将采集所得的振动信号分割为训练数据和测试数据；

步骤1.2：训练数据扩充：利用重叠采样策略将训练数据分割成若干样本，采用抖动技巧和旋转技巧产生新的训练数据；

步骤1.3：训练数据混合：将原始训练数据和新产生的训练数据进行混合，合成的训练数据用于深度学习网络的训练。

3.根据权利要求1所示的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2中，提出一种深度无损非负约束稀疏自编码器网络，其具体步骤为：

步骤2.1：设计无损约束项和引用权重非负约束项对稀疏自编器的损失函数进行修改，构建无损非负约束稀疏自编码器模型；

步骤2.2：修改无损非负约束稀疏自编码器的预训练规则，设计无损非负约束稀疏自编码器的参数学习规则；

步骤2.3：预训练Softmax分类器；

步骤2.4：将多个无损非负约束稀疏自编器与Softmax分类器进行堆栈，形成深度无损非负约束稀疏自编码器模型；

步骤2.5：对深度无损非负约束稀疏自编码器网络进行有监督微调。

4.根据权利要求1所示的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤3中，利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数，其具体步骤为：

步骤3.1：准备深度无损非负约束稀疏自编码器，初始化人工蜂群算法的参数；

步骤3.2：设计人工蜂群算法的适应度函数，选择合适的概率值选取蜜源；

步骤3.3：确定雇佣蜂和跟随蜂在蜜源附近内的蜜源搜索准则；

步骤3.4：确定侦查蜂产生新蜜源的准则。

5.根据权利要求3所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.1中，无损约束项的设计为：

其中，X_n为训练数据集，X_c为稀疏自编码产生的无噪声数据集，为稀疏自编码器学习到的重构数据，γ为无损约束项的系数，它约束着纯净数据与训练数据之间差别。

此外，添加权重非负约束项修改损失函数，对权重进行约束，增强参数的学习能力，具体表达如下式：

其中，α为非负权重约束系数，为l+1层的第i神经元与l层的第j神经元之间的连接权重。

6.根据权利要求3所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.2中，由于添加了无损约束项和权重非负约束项，导致稀疏自编码器的训练规则不适用，通过反向传播算法和梯度下降算法设计出一种交替更新的训练准则。

7.根据权利要求3所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.3中，Softmax分类器的损失函数的表达形式为：

其中，N-训练样本的容量，I{y^(m)＝j}为指示函数，只有当大括号内的值为真时才取值为1，否则为0，z^(m)为输出层第m个神经元的输出值，λ为惩罚项的控制参数。