[发明专利]基于多尺度成分分析的机械故障诊断方法

说明书

本发明公开了一种基于多尺度成分分析的机械故障诊断方法，方法包括以下步骤：采集多种故障类型的机械振动信号y；建立多尺度成分分析模型，对信号多尺度特征进行解耦提取，得到各尺度深层稀疏编码γ_m，L；利用迭代阈值收缩算法求解建立的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，拼接多尺度编码为将其输入后续的池化层与多层感知机作为分类器h_θ，完成故障智能诊断网络的搭建；使用带故障标签的训练样本端到端地训练网络模型，利用反向传播技术学习网络模型参数；将测试信号输入网络中，通过输出预测标签实现故障诊断；对输入信号的重构信号的整体特征和网络学习到的原子特征进行可视化，完成事后可解释性分析。

技术领域

本发明属于机械故障诊断方法技术领域，特别是一种基于多尺度成分分析的机械故障诊断方法。

背景技术

由于机械设备的故障会对系统造成严重的损害，并导致巨大的非计划性维护费用，因此对机械设备进行故障预测与健康管理(PHM)至关重要。大型机械设备通常具有结构复杂、信号传递路径长、环境噪声干扰严重等特点，导致对其进行故障诊断对算法的要求很高，传统的故障诊断算法如时频分析、包络谱分析等就显得有些捉襟见肘，且比较依赖于专家经验。随着时代的发展、信息技术的突破，智能算法如深度神经网络(DNN)带来了图像和信号处理技术的重大变革，并在PHM中提供了巨大的性能增益。然而神经网络的黑盒特性，即只看得见输入和输出，导致结果缺乏可解释性，阻止了它被应用于需要高可信度的情况，例如对安全性有着极高要求的重要机械设备的故障诊断。因而，可解释性人工智能研究对于提供更可信的故障诊断结果至关重要。

一般来说，机器学习模型的可解释性可以分为两大类，一类是事前可解释性建模，另一类是事后可解释性分析。前者指使用本质可解释的技术来建模特定的问题，从而得到一个具有可解释结构的模型；后者指开发专门的技术来解释已经训练好的模型，通常涉及许多可视化方法。研究人员对这两类可解释性的方法及其在可解释性故障诊断中的应用进行了大量研究，如小波核网络、注意力机制辅助定位等，他们均能从一个方面为神经网络赋予可解释性。然而，大部分的研究仅仅关注于事前可解释性建模或者事后可解释性分析，缺乏对可解释性模型更全面的挖掘。将模型的优化求解算法沿迭代维度展开构成的展开网络，其与具体的数学物理模型对应，具有本质的事前可解释性，且模型自身的可重构性允许对网络学习到的特征进行分析，即事后可解释性分析。展开网络理论为建立更全面的可解释性网络模型提供了一种新范式。然而，展开网络理论尚处于起步阶段，针对机械故障诊断，现有的研究在建模时未充分考虑严重噪声干扰问题及故障特征的多尺度特性，导致网络难以提取有用特征进行进一步的故障诊断。因此需要一种聚焦于机械故障诊断，从多尺度模型搭建到结果分析均具透明、可信的方法，为高性能智能诊断算法在实际工程中的应用开辟新道路。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于多尺度成分分析的机械故障诊断方法，该方法利用多尺度成分分析模型对机械信号进行多尺度特征的解耦提取，在多尺度特征的层级编码过程中施加稀疏约束，提取显著特征以及削弱环境噪声的影响，且使用卷积字典能够大幅度减少网络学习的参数量，接着把模型的求解算法作为多尺度成分分析网络前向过程的一部分，在后面加上一个平均池化层和最大池化层以及多层感知机作为分类器，最终实现对输入信号的标签预测。由于网络主体由特定模型的优化求解算法展开，其结构具有可解释性，即具有事前可解释性。而结果分析中可视化依据于形态成分分析模型的可重构性，通过重构输入信号及查看网络学习到的原子特征使结果具有可解释性，即具有事后可解释性。

本发明的目的是通过以下技术方案予以实现，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：