[发明专利]基于类别不平衡权重交叉熵的旋转机械故障诊断方法

权利要求书

1.一种基于类别不平衡权重交叉熵的旋转机械故障诊断方法，其特征在于，包括以下步骤：

(1)获取训练样本集和测试样本集：

(1a)对通过加速度传感器采集的旋转机械C个故障类别下的I个振动信号进行傅里叶变换，得到频域振动信号集合S＝{x_i|1≤i≤I}，x_i表示第i个频域振动信号，其中，C≥2，I≥50000；

(1b)对频域振动信号集合S中半数以上的频域振动信号对应的故障类别进行独热编码，并将半数以上的频域振动信号及其每个信号对应的故障类别标签作为训练样本集X₁，将频域振动信号集合S中其余的频域振动信号作为测试样本集X₂，其中，训练样本集X₁和测试样本集X₂中每种故障类别包含不平衡的样本数，即N_c代表第c类故障类别的样本数；

(2)构建稀疏自编码器模型H：

构建包括顺次连接的K个稀疏自编码器F＝{F₁,F₂,...,F_k,...,F_K}的稀疏自编码器模型，其中，每个稀疏自编码器F_k包括顺次连接的编码器和解码器；编码器和解码器均采用激活函数为sigmoid的全连接层,其中，K≥3，F_k表示第k个网络参数为的稀疏自编码器；

(3)对稀疏自编码器模型H进行迭代训练：

(3a)初始化迭代次数为n，最大迭代次数为N，N≥200，并令n＝0；

(3b)初始化第k个稀疏自编码器F_k的输入为X_k，并令k＝1，X_k＝X₁；

(3c)将X_k作为稀疏自编码器模型H的输入，稀疏自编码器F_k中的编码器对每个训练样本进行编码，得到编码集X′_k，F_k中的解码器对编码器编码的编码集X′_k进行解码，得到解码集X″_k；

(3d)计算X″_k与X_k的均方差损失并采用反向传播方法，通过计算稀疏自编码器F_k的网络参数梯度然后采用梯度下降算法通过F_k的网络参数梯度对F_k的网络参数进行更新；

(3e)判断n≥N是否成立，若是，得到训练好的稀疏自编码器F′_k，并执行步骤(3f)，否则，执行步骤(3c)；

(3f)判断k＝K是否成立，若是，得到训练好的稀疏自编码模型H′，否则，令k＝k+1，同时将X′_k作为第k+1个稀疏自编码器的输入，执行步骤(3c)；

(4)构建旋转机械故障诊断模型O：

(4a)构建旋转机械故障诊断模型O的结构：

构建包括顺次连接的K个编码器和一个分类器的旋转机械故障诊断模型O，其中，编码器采用训练好的稀疏自编码器模型H′中的稀疏自编码器，分类器包括顺次连接的全连接层和softmax激活函数输出层；

(4b)定义旋转机械故障诊断模型O的类别不平衡权重交叉熵损失函数J(θ)：

其中，∑表示求和操作，1[·]表示指标函数，和f_i分别表示第i个训练样本的预测标签和特征向量，log(·)表示以自然常数e为底的对数操作，表示第i个训练样本时分类器参数向量的转置，α_c表示第c类故障的类别不平衡权重；

(5)对旋转机械故障诊断模型O进行迭代训练：

(5a)初始化迭代次数为m，最大迭代次数为M，M≥100，第m次迭代分类器的网络参数为并令m＝0；

(5b)将训练样本集X₁作为旋转机械故障诊断模型O的输入进行前向传播，得到X₁故障类别的分类结果和特征向量f，并采用类别不平衡权重交叉熵损失函数J(θ)，通过和f计算分类器的损失值然后采用反向传播方法，并通过损失值计算分类器的网络参数梯度最后采用梯度下降算法并通过对分类器的网络参数进行更新；

(5c)判断m≥M是否成立，若是，得到训练好的旋转机械故障诊断模型O′，否则，令m＝m+1，并执行步骤(5b)；

(6)获取旋转机械的故障诊断结果：

(6a)将测试样本集X₂作为训练好的旋转机械故障诊断模型O′的输入进行前向传播，得到X₂故障类别的预测标签集并在索引表中查找中最大值对应的下标对应的故障类别。