[发明专利]多尺度一维卷积神经网络的风机基座螺栓松动诊断方法

权利要求书

1.多尺度一维卷积神经网络的风机基座螺栓松动诊断方法，其特征在于：该方法包括以下步骤：

步骤1：获取风机基座螺栓不同松动程度振动时域信号，划分训练样本和测试样本；

步骤2：构建多尺度一维卷积神经网络模型，并对模型参数初始化；

步骤3：以批量方式输入训练样本，逐层向前传播获取精细化样本特征，在输出层获取实际松动程度状态类别，计算期望输出与实际输出的误差；

步骤4：将误差反向传播，逐层微调网络参数；

步骤5：重复3、4步骤，直到将训练样本全部训练完毕且满足网络精度要求或者达到迭代次数，得到可用于风机基座螺栓松动程度智能诊断的模型；

步骤6：输入测试样本，获取诊断结果。

2.如权利要求书1所述风机基座螺栓松动程度智能诊断方法，其特征在于：所述步骤2中多尺度一维卷积神经网络模型由两层交替的多尺度卷积层和池化层、两层全连接层构成；

1)多尺度卷积层包含n个并行的卷积层，每个卷积层使用不同尺度的一维卷积核对输入信号进行不同尺度的卷积，实现不同精细度信号特征的提取；然后对各卷积层所提取特征进行拼接，输出到下一层；多尺度一维卷积定义如下：

其中，表示以卷积核尺度K的第i个输出特征，X表示输入信号，W_i^k表示以核尺度k的第i个卷积核，b_i表示输出第i个特征时所加的偏置，卷积核尺度K＝[k₁，k₂…k_n]，f表示激活函数；这里用到的激活函数为Relu激活函数，如下式所示；

f(x)＝max(0，x)

2)池化层是对上一层数据的缩放映射，通过池化核对输入数据进行子采样，减少输入数据的空间维度；

y_i＝f(β_idown(x)+b_i)

式中，down(*)为下采样函数，β_i表示第i个特征的权值，x对应上一层，即卷积层的输出，b_i表示第i个特征的偏置；

3)全连接层中的每个神经元与前一层的所有神经元进行全连接，整合卷积层或者池化层中具有类别区分性的局部信息；全连接层后接一个隐藏层，最后由Softmax多分类器完成分类；假设由k类的分类问题，Softmax多分类器的输出计算如下：

式中：W和b分别是权重矩阵和偏置值，o是卷积神经网络的最终输出。