[发明专利]基于多尺度成分分析的机械故障诊断方法

权利要求书

1.一种基于多尺度成分分析的机械故障诊断方法，所述方法包括以下步骤：

第一步骤(S1)中，采集机械设备在多种故障类型以及正常状态下的机械振动信号y，并将其按照固定信号长度划分为相互不重叠的预定比例的训练数据集Y_train和测试数据集Y_test，其中，故障类型包括裂纹和磨损，训练数据集Y_train与测试数据集Y_test均带有故障标签；

第二步骤(S2)中，建立多尺度成分分析模型，对机械振动信号y的多尺度特征进行解耦提取得到各尺度的深层稀疏编码γ_m，L；

第三步骤(S3)中，基于深层稀疏编码γ_m，L利用迭代阈值收缩算法求解所述多尺度成分分析模型，并将优化求解算法展开为多尺度成分分析网络，拼接多尺度编码为在编码网络后连接池化层与多层感知机作为分类器，搭建故障诊断网络，输出信号的预测标签；

第四步骤(S4)中，通过设定固定的循环次数，将所述训练数据集Y_train输入所述故障诊断网络进行训练，利用反向传播技术学习故障诊断网络参数，降低预测标签与故障标签的差距；

第五步骤(S5)中，将所述测试数据集Y_test输入训练好的所述故障诊断网络中，通过输出预测标签进行故障诊断。

2.根据权利要求1所述的方法，其中，优选的，第一步骤(S1)中，所述机械振动信号分解为y＝x+ε，其中，为特征信号，为噪声干扰，N为信号长度，机械振动信号通过加速度传感器采集，训练数据集Y_train包括时域训练样本，测试数据集Y_test包括时域测试样本。

3.根据权利要求1所述的方法，其中，第二步骤(S2)中，所述多尺度成分分析模型为：

其中，表示各尺度的最深层稀疏编码，L为编码层数，M为分析的尺度的维数；y表示输入的含噪信号；D_m，l为第m尺度的第l层的卷积编码字典，D_m，(l，L)＝D_m，lD_m，l+1…D_m，L表示第m尺度从第l层到最深的第L层的卷积编码字典相乘得到的等效卷积字典；γ_m，l＝D_{m，(l+1，L)}γ_m，L表示第m尺度的第l层的稀疏编码；第一项为数据保真项，保证能够从各尺度编码重构输入信号；其余两项为稀疏正则项，使各尺度的各级编码为稀疏的；为权衡不同项的贡献的权重参数，为了简便起见，这里设D_m，(L，L)＝D_m，L，表示L2范数的平方；||·||₁表示L1范数，所述多尺度成分分析模型中，第一项为数据保真项，保证从各尺度的深层稀疏编码通过各层编码字典重构输入信号y的特征；其余项为保证各尺度各层编码均为稀疏的稀疏正则项。

4.根据权利要求3所述的方法，其中，每一尺度中各层编码字典与编码及上一层编码之间满足以下关系：

其中，表示第m尺度的各层的稀疏编码，L为编码层数；x_m＝γ_m，0表示第m尺度的理想的特征信号分量，代表第0层的稀疏编码；为第m尺度的各层的卷积编码字典；为第m尺度的各层的稀疏度约束常量。

5.根据权利要求3所述的方法，其中，编码字典为卷积字典，其中，为由长度为n_m，l的第j个卷积核沿列方向平移构成的循环矩阵，j＝1，2，...，m_i，这里平移的步幅为1，c_l为卷积核的个数。