[发明专利]一种基于随机卷积神经网络的飞机机电系统故障识别方法

权利要求书

1.一种基于随机卷积神经网络的飞机机电系统故障识别方法，其特征在于包括下述步骤：

步骤一，提取飞机机电系统内指定轴承和转子的振动加速度信号划分为训练样本和测试样本两部分，分别对训练样本和测试样本进行短时傅里叶变换和分贝转化归一化，得到训练二维时频图和测试二维时频图；

步骤二，将训练二维时频图输入初始化的随机卷积神经网络，前向计算均方误差；根据均方误差和代价函数反向逐层训练随机卷积神经网络的权值参数，直到均方误差小于设定的最小均方误差值或达到最大循环数，随机卷积神经网络的训练完成；

步骤三、使用训练好的随机卷积神经网络对测试二维时频图进行飞机机电系统故障的识别。

2.根据权利要求1所述的基于随机卷积神经网络的飞机机电系统故障识别方法，其特征在于，所述的步骤一包括以下步骤：

1.1)采集飞机机电系统内部指定轴承和转子的振动加速度信号，分成训练和测试两个样本，每个样本包含1024个信号值；

1.2)对训练样本和测试样本分别进行短时傅里叶变换，生成32×32尺寸的训练能量谱密度矩阵和测试能量谱密度矩阵；

1.3)将每个矩阵中的能量谱密度值化为分贝值dB＝10*log₁₀P(t，f)，其中P(t，f)表示时间为t频率为f时的功率谱密度；同时进行归一化，将分贝值转化为时频值其中i₁、j₁、p、q表示能量谱密度矩阵中元素(i₁，j₁)、(p，q)的横纵坐标，表示该二维时频图中所有分贝的均值；最终得到32×32的训练二维时频图和测试二维时频图。

3.根据权利要求1所述的基于随机卷积神经网络的飞机机电系统故障识别方法，其特征在于，所述的步骤二包括以下步骤：

2.1)初始化随机卷积神经网络，随机卷积神经网络结构包括输入层、卷积1层、SP&D1层、卷积2层、SP&D2层、全连接层、Softmax分类器；随机卷积神经网络的结构和参数设置为：网络的层数为2-32-32-32-32-800-C，其中，2表示第一次输入特征图的数量，四个32分别表示卷积1层、SP&D1层、卷积2层、SP&D2层的二维时频图数量，800表示全连接层神经元数量，C表示故障类型数，卷积核尺寸为5×5，卷积步长为1，每一层的权值服从均值为0，方差为的高斯分布，N表示上一层的二维时频图的数量，池化尺寸为2×2，辍学率为0.5，动量系数μ为0.95，学习率η为0.01，第0次参数更新量V₀为0，最小均方误差为0.001，最大循环数为200；

2.2)将训练二维特征图输入卷积1层与该层卷积核进行卷积求和，根据卷积步长遍历整个训练二维时频图；卷积1层的输出二维时频图其中，i₂，j₂，r，s表示二维时频图中(i₂，j₂)、(r，s)的横纵坐标，n表示上一层的第n张二维时频图，l₁表示该层第l₁张二维时频图，表示时频图中对应位置的时频值，表示第l₁个卷积核(r，s)位置的权值，表示第l₁个卷积核的偏置，表示第l₁个二维时频图(i₂，j₂)位置的时频值，f表示ReLu激活函数，f(x)＝max(0，x)；将该层的二维时频图输入SP&D1层；

2.3)SP&D1层中采用随机池化和辍学策略，根据池化尺寸将二维时频图划分为多个2×2的激活区域，建立每个激活区域的多项分布，多项分布的概率表示(i₃，j₃)处时频值的概率，为激活区域内(i₃，j₃)处的时频值；

2.4)根据多项分布的概率随机抽取时频值，再根据辍学比例随机将抽取的时频值归零，最后将每个激活区域筛选的时频值按区域的相对位置组成新的二维时频图，输入卷积2层；

2.5)在卷积2层中，将输入二维时频图按步骤2.2)的操作计算输出二维时频图，然后输入SP&D2层。

2.6)在SP&D2层中将输入二维时频图按步骤2.3)和2.4)的操作计算输出二维时频图，然后输入全连接层；

2.7)将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加，然后将全连接层神经元结果输入Softmax分类器；

2.8)根据输入Softmax分类器的参数，Softmax分类器得到诊断故障类型，故障类型的概率Fx^u表示第u个样本的全连接层神经元输出，表示第u个样本属于v类故障的概率，表示l₂类故障的分类器权值，w^v表示v类故障的分类器权值，C表示故障类型数；Softmax分类器的代价函数I{y^u＝v}表示当事件y^u＝v为真时返回1，事件y^u＝v为假返回0，m表示全连接层神经元的数量；根据代价函数和动量随机梯度下降算法反向修正模型内所有权值参数；动量随机梯度下降算法计算其中θ_t表示训练第t次时的权值参数，V_t为训练第t次时权值参数更新量，μ为动量系数，η为学习率，表示对代价函数求权值参数θ_t的偏导；

2.9)均方误差其中表示权值参数θ_t的均值；当均方误差收敛则训练结束，否则返回步骤2.2)。

4.根据权利要求1所述的基于随机卷积神经网络的飞机机电系统故障识别方法，其特征在于，所述的步骤三包括以下步骤：

3.1)将测试二维时频图输入卷积1层，根据卷积步长遍历二维时频图，计算输出二维时频图，并输入SP&D1层；

3.2)根据输入的二维时频图，SP&D1层对区域内每一个时频值按概率进行加权，SP&D1层输出二维时频图上(i₃，j₃)的数值

其中S₁表示输入二维时频图的尺寸；将输出二维时频图输入卷积2层；

3.3)在卷积2层中，将输入的特征图按步骤3.1)的操作计算输出二维时频图，输入SP&D2层；

3.4)在SP&D2层中，将输入的特征图按步骤3.2)的操作计算输出二维时频图并输入全连接层；

3.5)将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加，然后将全连接层神经元结果输入Softmax分类器；

3.6)Softmax分类器得到识别结果，识别概率