[发明专利]一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法

权利要求书

1.一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法，其特征在于，具体包含如下步骤：

步骤1，利用电机机械故障实验台采集电机振动原始数据并将所述的原始数据集划分为测试集和训练集；

步骤2，将步骤1采集的电机振动原始数据作为变分自动编码器输入，利用变分自编码器自动提取深度特征，获得每种故障状态下的深度特征；

步骤3，将步骤2获得的每种故障状态下的深度特征输入多尺度SE-Resnet网络，提取多尺度特征；

步骤4，将步骤3提取的多尺度特征作为随机森林分类的输入，用于训练故障诊断识别模型；

步骤5，构建基于变分自动编码器和多尺度注意力残差网络的电机故障诊断模型，用于电机故障诊断与状态识别；使用训练数据集对模型进行训练，利用测试集对模型性能进行测试；

所述步骤2具体步骤如下：

通过编码器隐含层对输入原始振动信号的特征概率分布进行学习，学习高斯分布的对数方差向量和均值向量；通过采样重构隐含变量，实现深度特征提取；

在步骤2中，所述变分自编码器具体计算步骤如下：

步骤2.1，设是振动信号训练集样本集合，第k个训练样本表示为其中j为信号的维度；

则自编码器的编码过程表示公式如下：

Z^k＝σ₁(W₁·X^k+b₁)

式中，Z^k是隐含层的输出矢量，σ₁是输入层到隐含层的激活函数，b₁是输入层到隐含层的偏置参数，W₁是输入层到隐含层的权重向量；

步骤2.2，解码器的解码过程表示如下：

式中，是输出层的输出矢量，σ₂是隐含层到输出层的激活函数，b₂是隐含层到输出层的偏置参数，W₂是隐含层到输出层的权重向量；

AE自编码器训练目标可用如下表达式表示：

式中，X^k是输出层的输出矢量；

步骤2.3，更新模型参数，使其损失函数最小化，对于一个输入样本，损失函数可表示为：

式中，J(·)是损失函数，W为权重向量，b为偏执参数；

步骤2.5，对于整个训练样本集，其损失函数可用以下表达式表示：

式中，λ是权重衰减系数，是权重衰减的正则化项，是神经元节点之间的连接权重m样本总数量；

步骤2.6，设有两个未知分布p(x)和q(x)，则通过以下方程可得到KL散度,其中，KL为Kullback–Leibler divergence：

D_KL((p(x))||(q(x)))称为p(x)和q(x)之间的相对熵或KL散度；

步骤2.7，则变分自动编码器VAE的最终损失函数被表示为：

式中，x是原始数据，y是恢复数据，λ是权重参数，是生成的潜码的分布，p(z)是隐藏码要遵循的正态分布，E_pdata(x)[·]是数学期望，MSE是均方误差函数；

步骤2.8经过对变分自动编码器VAE的训练，将隐含层的输出矢量Z^k作为样本X^k的深度特征。

2.根据权利要求1所述的一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法，其特征在于：所述步骤1具体步骤如下：

将电机振动原始数据信号样本分为训练阶段样本集和测试阶段样本集；训练阶段样本集代表诊断问题的已知空间，样本的状态标签是已知的；测试阶段样本集，代表未知空间，需要使用训练阶段样本对诊断模型进行训练，利用训练后的模型判断测试阶段振动信号样本的状态标签。