[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

权利要求书

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；构建的自适应特征提取器以一维卷积神经网络为基础，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从振动加速度信号中提取深层特征，具体构建步骤为：

2.1)将输入层的输入特征表示与不同尺寸的卷积核进行卷积，形成新的特征表示表达式为：

2.2)对步骤2.1)中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z^l，其数学模型为：

Z^l＝σ(W^l*Z^l-1+b^l)，

其中Z^l为第l层的输出，Z^l-1为第l-1层的输出，b^l为待优化的偏置，卷积核W^l为待学习的权重向量，σ为非线性激活函数；

2.3)对步骤2.2)输出的特征进行最大值池化操作，从而得到更为抽象的特征

构建的故障类型分类模型由卷积层和Softmax分类器组成；预测模型由堆栈长短时记忆网络组成；所述故障类型分类模型和预测模型的输入均为所述自适应特征提取器的输出，所述故障类型分类模型和预测模型共享自适应特征提取器提取的高维特征；

(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；采用多任务联合训练，训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：

L＝λ₁L₁+λ₂L₂

其中L₁和L₂分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ₁和λ₂为对应任务的权重，根据训练取得的效果，此处取λ₁＝0.3和λ₂＝1.0；

故障类型分类任务的损失函数为交叉熵损失函数，其表达式为：

其中N和K分别表示样本数及类别数；yⁿ表示第n个样本的真实类别；表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0；

故障尺寸预测任务的损失函数为均方误差损失函数，其表达式为：

其中N表示样本数；表示第n个样本的真实故障尺寸；表示第n个样本的神经元预测值；

(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。

2.根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，所述步骤(1)中，试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由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时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为2048点，相邻两个样本的首尾重合率为25％。