[发明专利]一种基于多任务特征共享神经网络的智能故障诊断方法

摘要

本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：（1）分别采集旋转机械在不同实验工况下的原始振动加速度信号，通过截取一定长度的信号数据来构成样本，并进行标注；（2）构建多任务特征共享神经网络，包括：输入层、特征提取器、分类模型和预测模型；（3）采用多任务联合训练，同时训练分类和预测模型；（4）将实际工业环境中采集的振动加速度信号输入已训练好的模型，得到多任务诊断结果。本发明能同时实现对故障类型的分类以及故障程度的预测，具有较高的实际应用价值。

主权项

1.一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测，其特征在于，包括步骤：(1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，从所述原始振动加速度信号中截取一定长度的数据段来构成样本，并进行标注；(2)构建多任务特征共享神经网络，包括：输入层、基于卷积神经网络的自适应特征提取器、基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型，用于同时实现对故障类型的诊断，以及对故障退化程度的预测；(3)采用多任务联合损失函数，在Keras框架下，将步骤(1)中得到的训练集输入步骤(2)构建的模型，同时训练分类和预测模型；(4)将实际工业环境中采集的振动加速度信号输入由步骤(3)中训练好的模型，同时实现故障类型的在线分类与故障退化程度的在线预测，从而得到对机械设备故障诊断与预测的多任务结果。