[发明专利]一种基于CNN与LSTM深度特征融合的故障诊断方法

权利要求书

1.一种基于CNN与LSTM深度特征融合的在线故障诊断方法，其特征在于，包括以下步骤：

S1、建立数据集，所述数据集包括训练集和测试集，所述训练集和测试集均包含一维序列数据与对应的二维波形图数据，所述二维波形图是由一维序列数据绘制而成；

所述步骤S1包含以下步骤：

S1.1、选取不同故障类型的齿轮箱一维序列样本数据，并设置不同故障类型标签；

S1.2、对步骤S1.1中所述的一维序列样本数据利用Matlab画出对应的波形图，得到二维波形图数据；

S1.3、对步骤S1.1和S1.2中所述的一维与二维数据均按照一定的比例划分为训练集和测试集；

S2、根据所述训练集中的二维波形图数据通过卷积神经网络CNN提取其局部互相关性特征以及趋势性特征F_CNN：

所述步骤S2包含以下步骤：

S2.1、根据训练集中二维波形图数据搭建卷积神经网络Net_CNN，如公式(1)所示：

[Net_CNN,Tr_CNN]＝Feedforward(θ_CNN；M_CL,M_pool；SIZE_cl,SIZE_pool；X_2D)       (1)

其中，Feedforward是生成神经网络的函数，M_CL是CNN网络的卷积层数；M_pool是CNN网络的池化层数；SIZE_cl表示卷积核大小；SIZE_pool表示池化核大小；θ_CNN＝{W_CNN,b_CNN}是网络参数，W_CNN是权值矩阵，b_CNN是偏置向量；X_2D表示输入二维波形图数据；基于二维波形图像数据训练CNN网络；

S2.2、利用训练好的卷积神经网络和网络参数提取二维波形图像的特征F_CNN,

F_CNN＝G_CNN(Net_CNN,Tr_CNN,X_2D)     (2)

其中，G_CNN是CNN网络的非线性输出函数，Tr_CNN表示训练好的CNN网络模型参数；

S3、根据训练集中的一维序列数据通过长短时记忆神经网络LSTM提取其序列间的自相关性特征F_LSTM：

所述步骤S3包含以下步骤：

S3.1、根据训练集中的一维序列数据搭建长短期记忆网络Net_LSTM，如公式(3)所示：

[Net_LSTM,Tr_LSTM]＝Feedforward(θ_LSTM；H_LSTM；X_1D)      (3)

其中，θ_LSTM＝{W_LSTM,b_LSTM}是网络参数，W_LSTM是权值矩阵，b_LSTM是偏置向量，H_LSTM是隐藏层的神经元个数，X_1D表示输入一维序列数据；基于一维序列数据训练LSTM网络；

S3.2、利用训练好的网络结构参数提取一维序列数据特征F_LSTM：

F_LSTM＝G_LSTM(Net_LSTM,Tr_LSTM,X_1D)        (4)

其中，G_LSTM是LSTM网络的非线性输出函数，Tr_LSTM表示训练好的LSTM网络模型参数；

S4、根据步骤S2中CNN提取的图像的局部互相关特征F_CNN和步骤S3中LSTM提取的序列的自相关特征F_LSTM，通过多层融合网络，融合两种不同类型的特征，得到融合后的特征F_fusion；

所述步骤S4包含以下步骤：

S4.1、将步骤S2中CNN提取的图像的局部互相关特征F_CNN和步骤S3中LSTM提取的序列的自相关特征F_LSTM拼接；

S4.2、建立特征融合网络Net_fusion，训练融合网络参数，得到融合后的特征F_fusion。如公式(5)所示：

F_fusion＝G_fusion(Net_fusion,Tr_fusion,X_1D,X_2D)       (5)

其中，G_fusion是网络的非线性输出函数，Tr_fusion是训练好的模型参数；

S5、将步骤S4中所述的融合特征F_fusion作为Softmax分类器的输入，进行故障诊断分类，如公式(6)所示：

result＝Softmax(F_fusion,θ)             (6)

其中，result表示分类准确率，θ表示Softmax网络模型参数；

S6、同时调整网络Net_CNN、Net_LSTM、Net_fusion、Softmax的网络参数；

S7、将步骤S2中所述测试集中的所有数据输入所述网络模型，得到测试集的故障诊断分类结果，并评价所述网络模型的效果。