[发明专利]基于深度解耦卷积神经网络的复合故障诊断方法及装置

摘要

本发明公开了一种基于深度解耦卷积神经网络的复合故障诊断方法及装置其中方法包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号得到若干样本分别组成训练集和测试集，并分别设定类别标签；步骤二：搭建一维深度卷积神经网络模型；步骤三：在keras框架下构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，输出得到复合故障的实时诊断结果。本发明在只使用单一故障信号来训练深度解耦网络模型的前提下提取复合故障信号中各单一故障特征，并通过解耦分类器实现复合故障的解耦与分类。

主权项

1.一种基于深度解耦卷积神经网络的复合故障诊断方法，其特征在于，包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号，按一定的样本点长度截取得到若干样本，将单一故障样本组成训练集，以及所有复合故障样本组成测试集，并分别设定类别标签；步骤二：构建深度可辨别性特征提取模型，在keras框架下，通过多层顺序堆叠卷积层和池化层，搭建一维深度卷积神经网络模型；步骤三：构建解耦分类器，在keras框架下，以步骤二提取的特征为输入，通过堆叠多个解耦分类层，构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，采用边界损失函数，同时结合路由协同算法，在只使用单一故障数据的前提下，对网络模型进行训练，并采用网络搜索算法来选取相应超参数，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，将采集到的复合故障信号输入已经训练好的深度解耦卷积神经网络模型中进行测试，通过解耦分类器的输出得到复合故障的实时诊断结果。