[发明专利]基于模糊处理的深度学习在液压装备故障诊断中的应用

摘要

本发明公开了一种基于模糊处理的深度学习在液压装备故障诊断中的应用，包括下述步骤(1)引入时间标签和模糊权重对液压设备运行监测数据进行预处理，并分成训练数据集和测试数据集；(2)将训练数据集作为稀疏自编码网络的输入向量进行无监督预训练；(3)将有标签数据和无标签数据作为Softmax分类器的输入向量训练Softmax分类器；(4)利用BP算法对深度学习网络参数进行微调；(5)故障状况的智能诊断。本发明首先引入时间标签和模糊权重的方法对数据进行预处理；然后使用稀疏自编码完成样本数据的高层特征提取，并使用Softmax分类器对设备故障状态进行分类诊断来构建ICM模型；最后利用BP算法微调整个网络全局最优参数，实现故障状况的智能诊断。

主权项

一种基于模糊处理的深度学习在液压装备故障诊断中的应用，其特征在于,包括下述步骤：(1)引入时间标签和模糊权重对液压设备运行监测数据进行预处理，并将数据预处理后的故障数据分成训练数据集和测试数据集，并对测试数据集进行标签化处理，即对测试数据样本标注具体故障种类；(2)将训练数据集作为稀疏自编码网络的输入向量进行无监督预训练，对样本数据进行特征提取，得到经自学习后的故障特征向量；(3)将有标签数据和经自学习后得到的无标签数据作为softmax分类器的输入向量训练softmax分类器，得到完整的ICM模型；(4)为优化ICM模型的分类准确性，利用BP算法对稀疏自编码在无监督预训练中的相关参数和softmax分类器训练中的相关参数进行全局微调，不断更新相关参数，得到使损失函数值达到最小的最优参数；(5)基于上述ICM模型实现故障特征的自适应提取和故障状况的智能诊断。