[发明专利]一种基于循环神经网络的带有噪声标签的故障诊断方法

权利要求书

1.一种基于循环神经网络的带有噪声标签的故障诊断方法，其特征在于：该方法是采用如下步骤实现的：

步骤一：利用加速度传感器采集旋转机械的核心部件在不同种类故障情况下的振动信号，并将振动信号进行分段归一化，由此形成数据集；所述数据集表示为：

y^m∈{1,2,…,C}；

式中：M表示数据集中的数据样本个数；x^m表示数据集中的第m个数据样本；y^m表示数据集中的第m个数据样本的对应标签；表示N维时间序列；{1,2,…,C}表示故障种类；

步骤二：根据数据样本的对应标签生成数据样本的噪声标签；所述数据样本的噪声标签表示为：

式中：表示第m个数据样本的噪声标签；η表示噪声标签的比例；i_label,j_label表示标签值，且i_label,j_label∈{1,2,…,C}；

然后，将数据样本的噪声标签添加到数据集中，由此形成噪声标签数据集；所述噪声标签数据集表示为：

步骤三：构建循环神经网络以及适应性校正损失函数，并将噪声标签数据集输入到循环神经网络中，然后利用优化算法调整整个网络的参数，使得适应性校正损失函数达到最小，由此完成循环神经网络的训练；

步骤四：利用加速度传感器采集新的振动信号，并选取振动信号的片段作为测试数据集，然后将测试数据集输入到训练好的循环神经网络中，由此输出故障诊断结果。

2.根据权利要求1所述的一种基于循环神经网络的带有噪声标签的故障诊断方法，其特征在于：所述步骤三中，所述循环神经网络包含四层：输入层、门控循环单元层、全链接层、输出层；

所述输入层接收噪声标签数据集中的数据样本，其表示为：

所述门控循环单元层由门控循环单元构成；所述门控循环单元表示为：

式中：表示更新门；r_t^m表示复位门；表示候选激活；表示隐含层；σ表示sigmoid激活函数；w_zx、w_zh、w_rx、w_rh、均表示权重参数；b_z、b_r、均表示偏置参数；tanh表示tanh激活函数；表示逐元素乘法运算符；

所述门控循环单元层对噪声标签数据集中的数据样本进行基于时间序列的特征提取，即：

式中：表示门控循环单元层提取的特征；表示门控循环单元层在时刻的输出；

所述全链接层对噪声标签数据集中的数据样本的特征维数进行降低，其表示为：

式中：σ_r表示ReLU激活函数；w_GF表示权重参数；b_GF表示偏置参数；

所述输出层对噪声标签数据集中的数据样本的健康状况进行识别，其表示为：

式中：表示识别结果；θ＝[θ₁,θ₂,...,θ_C]表示权重参数。

3.根据权利要求2所述的一种基于循环神经网络的带有噪声标签的故障诊断方法，其特征在于：所述步骤三中，所述适应性校正损失函数表示为：

式中：表示自适应校正标签；表示自适应校正标签的第c个元素；α_i表示嘈杂标签和预测标签之间的比例平衡参数；表示预测标签；表示预测标签的one-hot形式；表示噪声标签的one-hot形式。

4.根据权利要求3所述的一种基于循环神经网络的带有噪声标签的故障诊断方法，其特征在于：所述步骤三中，所述整个网络的参数包括：权重参数w_zx、w_zh、w_rx、w_rh、w_GF和θ，偏置参数b_z、b_r、b_GF，训练总轮次E、批训练样本数B、总批次b。

5.根据权利要求4所述的一种基于循环神经网络的带有噪声标签的故障诊断方法，其特征在于：所述嘈杂标签和预测标签之间的比例平衡参数α_i的计算步骤如下：

a)对于某个训练轮次i，初始化局部内在维数维数比例λ_i＝i/E；

b)在当前训练轮次i中，随机选择b批样本：随机选择一个数据样本x^m，于是有：

式中：k表示临近数，且k＝20；表示g(x^m)到的欧几里得距离中第u个最近的距离；表示前k个距离中最大的距离；

c)对于当前训练轮次i，其维数LID_i为：

d)对于当前训练轮次i，其嘈杂标签和预测标签之间的比例平衡参数α_i为：