[发明专利]基于无线传感器网络多测量向量的机械装备故障诊断方法

权利要求书

1.基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：该方法包括以下步骤：

S1：多测量向量的压缩采集；

S2：数据处理；

S3：卷积神级网络模型训练；

S4：识别故障类型；

所述S1具体为：

对大型机械装备在不同的位置方向安装L个无线传感器节点，L≥2，然后对L个无线传感器节点对故障源信号进行压缩测量，得到测量值由无线传感器网络进行传输；

多测量向量模型MMV的公式为：

Y＝ΦX＝ΦΨX＝AX (1)

其中X＝{x₁,x₂,…,x_L}x_L∈R^N为原信号，Φ∈R^M×N为测量矩阵，M＜＜N，Y＝{y₁,y₂,…y_L}y_L∈R^M为测量值矩阵；原信号x_L在测量矩阵Φ的线性测量值y_L＝Φx_L，又称y是原信号在测量矩阵的线性投影，测量矩阵Φ必须服从有限等距性质RIP；x为X经过稀疏基Ψ^N×N表示的稀疏系数，A＝ΦΨ,∈R^M×N的矩阵，称为感知矩阵求解NP问题：

min||x||_l s.t.Y＝AX (2)

当L＝1时，该模型成为SMV模型；

所述S3具体为：

将采集h种不同类型故障源的信号进行多测量向量的压缩采集的压缩采集，得到测量值矩阵经过数据归一化处理后进行标签构成数据集；数据集的80％为训练数据集，20％为测试数据集，将数据集送入卷积神经网络；

所述卷积神经网络包括：

(1)卷积层

卷积层利用卷积核对输入测量值矩阵的局部区域进行卷积运算，提取相应的特征；卷积公式为：

式中：为第l层的第i个被卷积的局部区域，为第l层的第i个卷积核的第j′个权值，W为卷积核的长度；

(2)激活层

卷积后，对每个卷积的输出值进行非线性变换；神经网络中的激活函数为Sigmoid函数、Tanh函数、Relu函数；利用Relu函数做激活函数，函数公式为：

式中a^l(i,j)为卷积层输出y^l(i,j)的激活值；

(3)池化层

池化层减少神经网络的训练参数，起到数据降维为作用；采用均值池化，其公式为：

式中：p^l(i,j)为第l层的池化输出值，W为池化区域的宽度，a^l(i,j)为卷积层输出y^l(i,j)的激活值；

(4)全连接层

全连接层是将提取出来的特征进行分类；将最后一次池化层的输出值，拉伸为一维特征向量，作为全连接层的输入；全连接层中隐藏激活函数，最后一层的激活函数采用的是激活Softmax函数，将输入的神经元值转化概率分布；

全连接层的前向传播公式为：

式中：O^l+1为第l+1层第第j个神经元的输出值，为第l个神经元与第l+1层第j个神经元之间的权值，为第l个神经元对第l+1层第j个神经元的偏置值；

当l+1层的隐藏层，采用Relu函数：

a^l+1(i)＝max{0,O^l+1(j)} (7)

最后一层激活函数Softmax为：

2.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述S2具体为：

当L个传感器的测量值经过无线传感器网络出输到云端，组成测量值矩阵Y；将测量值矩阵Y做归一化处理，处理方法如下：

计算均值：

计算方差：

处理测量值：

则处理后测量值矩阵为：

3.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述S4具体为：

将大型机械装备的故障源，经过多测量向量的压缩采集的压缩采集，得到多组测量值，经过无线传感器网络传输后，到达云端组成测量值矩阵，然后进行数据归一化处理后输入训练完成卷积神经网络模型，得到识别故障类型。