[发明专利]基于集成深度自编码器的旋转机械智能故障诊断方法

权利要求书

1.基于集成深度自编码器的旋转机械智能故障诊断方法，其特征在于包括如下步骤：

(1)获取训练数据集X₁和测试数据集X₂：

(1a)将从旋转机械数据库中随机选取的I个振动时域信号数据，以及每个振动时域信号数据包含的故障标签作为训练数据集X₁，所有故障标签的类别为1,2,…,q,…,Q，其中Q为故障标签的类别总数，I≥2000，且I＞＞Q，x_i表示第i个训练样本，y_i表示x_i的故障标签；

(1b)将通过数据采集系统实时采集的待诊断旋转机械的J个振动时域信号数据作为测试数据集X₂，x_j表示第j个测试样本；

(2)构建多个深度自编码器：

通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE₁₁,…,DAE_lk,…,DAE_LK，第l个激活函数所生成的第k个深度自编码器DAE_lk包含N个自编码器第n个自编码器的隐藏层为第N个自编码器的隐藏层的节点数为h，与softmax分类器相连，该DAE_lk的输出层的节点数为o，K表示第l个激活函数所生成的深度自编码器的数量，l＝1,2,…,L，k＝1,2,…,K，n＝1,2,…,N，L≥2，2≤K＜＜I，N≥2，o≥1；

(3)对每个深度自编码器DAE_lk进行训练：

(3a)采用F折交叉验证的方法，将训练数据集X₁划分为大小相同或相似的F份，每次选择一份作为验证集V_f，其余F-1份作为训练集T_f，共选择F次，得到F组不同的训练集和验证集{V₁,T₁},…,{V_f,T_f},…{V_F,T_F}，其中x_t表示第t个训练样本，y_t表示x_t的故障标签；

(3b)令l＝1；

(3c)令k＝1；

(3d)令n＝1；

(3e)将训练集T_f作为DAE_lk中第n个自编码器的输入，对进行训练，得到训练后的隐藏层为的自编码器

(3f)将训练后的自编码器的隐藏层作为DAE_lk中第n+1个自编码器的输入，对进行训练，得到训练后的隐藏层为的自编码器

(3g)判断n＝N是否成立，若是，得到训练后的深度自编码器DAE_lk'，否则，令n＝n+1，并执行步骤(3f)；

(3h)判断k＝K是否成立，若是，得到第l个激活函数下K个训练后的深度自编码器DAE_l1',DAE_l2',…,DAE_lK'，否则，令k＝k+1，并执行步骤(3d)；

(3i)判断l＝L是否成立，若是，得到L个激活函数下共LK个训练后的深度自编码器DAE₁₁',…,DAE_lk',…,DAE_LK'，否则，令l＝l+1，并执行步骤(3c)；

(4)构建集成深度自编码器模型：

(4a)将验证集V_f作为训练后的深度自编码器DAE_lk'的输入，计算DAE_lk'中第q类故障标签的分类精度p_lk,q，得到第l个激活函数对应的分类精度矩阵P_l，L个激活函数对应的分类精度矩阵为P₁，…,P_l,…,P_L，其中

(4b)对第l个激活函数，采用网格搜索方法搜索P_l中第q类故障标签对应p_lk,q的最优筛选个数m_l，Q类故障标签共选出p_lk,q的个数为m_l×Q，L个激活函数对应的筛选个数为m₁,…,m_l,…,m_L；

(4c)根据筛选个数m_l，选出第l个激活函数对应的K个深度自编码器中对第q类故障标签分类精度最高的m_l个深度自编码器，L个激活函数Q类故障标签选出个深度自编码器；

(4d)根据筛选个数m_l对P_l中的p_lk,q从大到小进行筛选，计算p_lk,q对应的选择参数i_lk,q，得到第l个激活函数对应的选择矩阵I_l，L个激活函数对应的选择矩阵I₁,…,I_l,…,I_L，其中

(4e)通过训练后的深度自编码器DAE_lk'，计算验证集V_f中的x_t属于第q类故障标签的概率值pr_lk,q，得到第l个激活函数对应的概率矩阵Pr_l，L个激活函数对应的概率矩阵为Pr₁,…,Pr_l,…,Pr_L,其中

(4f)通过分类精度矩阵P_l中的p_lk,q、概率矩阵Pr_l中的pr_lk,q和选择矩阵I_l中的i_lk,q，计算验证集V_f中的x_t属于第q类故障标签的可能性值PR_q，Q类故障标签对应的可能性值为PR₁,…,PR_q,…,PR_Q，记PR₁,…,PR_q,…,PR_Q的最大值为PR_max，并将PR_max对应的故障类别标签y′_t作为x_t的预测标签；

(4g)构建包括个深度自编码器，并以x_t为输入、以x_t的预测标签y′_t为输出的集成深度自编码器模型；

(5)获取旋转机械故障诊断结果：

(5a)将测试数据集X₂中的x_j作为输入向量输入集成深度自编码器模型，计算x_j的预测标签y′_j，得到预测标签向量[y′₁,…,y′_j,…,y′_J]^T；

(5b)将预测标签y′_j与训练数据集X₁包含的故障类别进行映射，得到待诊断旋转机械在不同时刻的故障状态。