[发明专利]一种基于深度混合网络结构的机械故障诊断方法

权利要求书

1.一种基于深度混合网络结构的机械故障诊断方法，其特征在于：该方法包括以下步骤：

S1：在机械设备的各个位置安装传感器，采集不同故障情况下机械设备的振动信号；

S2：将原始振动信号数据分成训练集和测试集；

S3：将训练集输入混合网络中提取特征并训练；

S4：将测试集通过混合网络提取特征，并进行故障分类，得到诊断结果；

所述混合网络结构由两部分组成：散射网络和SDnet；

所述SDnet的结构为：

SDnet是具有14层深度的一维卷积神经网络，为在加深网络的同时，减少网络的参数和训练量；该网络的构造细节情况如下：

①网络中conv_1到conv_5的卷积层采用relu激活函数，加快收敛速度，防止梯度爆炸和梯度消失；pool_1到pool_4的池化层采用最大池化，使经过池化层的特征具有局部平移不变性，在减少特征维度的同时一定程度上去除部分噪声；

②在conv_3到conv_5卷积块中采用核值为3和1的卷积层交替级联，在加深网络深度的同时减少需要训练的参数量；

③在网络的后半部，采用conv_6和pool_5来替代常用的全连接层，在减少网络参数量的同时，还能减少由全连接层所带来的过拟合风险；其中conv_6的卷积层采用线性激活函数；Pool_5的池化层采用全局平均池化，将输入特征每个通道中的特征图对应到一个输出类特征，加强特征图与输出类别的一致性，并且通过对空间信息求和，增强池化过程的稳定性；

④SDnet采用交叉熵(Cross Entropy Loss)作为损失函数，其公式为：

其中p(x)为训练集的标签，q(x)为网络预测的标签值；在分类问题中，交叉熵函数常被用作损失函数；在模型的优化过程中，交叉熵损失的梯度只和正确分类的预测结果有关。

2.根据权利要求1所述的一种基于深度混合网络结构的机械故障诊断方法，其特征在于：所述散射网络的结构为：

对于输入信号x(u)在一维散射网络中经过第一层后得第0阶系数S₀x：

S₀x＝A_Jx(u)＝x*φ_J(2^Ju) (1)

其中*为卷积操作，J为网络最大尺度，φ_J为一个窗口大小为2^J的低通滤波器，即局部取平均；A_J为平均滤波算子，代表信号经过低通滤波器局部取均值的计算过程，保证输出的结果在空间尺度2^J内具有平移不变性，但同时损失信号的高频特征；

为避免高频细节信息的丢失，采用小波变换恢复信号的高频信息；设网络第1阶尺度参数为j₁，即将母小波ψ在尺度上缩放得到小波簇然后将信号与小波簇中的小波分别卷积，得到散射网络第1阶的散射算子W₁x(j₁,u)：

将结果取模后通过低通滤波器局部取均值，得到散射网络的第1阶系数S₁x：

同理得当网络第2阶尺度参数为j₂时的散射算子W₂x(j₁,j₂,u)和散射系数S₂x为：

S₂x＝A_J|W₂||W₁|x (5)

最后通过网络得到的最终散射系数Sx＝{S₀x,S₁x,S₂x}。

3.根据权利要求2所述的一种基于深度混合网络结构的机械故障诊断方法，其特征在于：所述散射网络输出的各个子带分别作为SDnet输入中相对应的通道。