[发明专利]一种基于改进CNN和选择性集成的齿轮箱故障诊断方法

权利要求书

1.一种基于改进CNN与选择性集成的齿轮箱故障诊断方法，包括如下步骤：

步骤一、基学习机生成：利用训练集训练改进的CNN模型，生成基学习机；

步骤二、基学习机选择：对基学习机进行筛选，选择出差异化大的基学习机；

步骤三、基学习机集成与故障诊断：对选择出的基学习机进行集成，并针对测试集开展故障诊断。

2.根据权利要求1所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法，其特征在于：

步骤一所述基学习机生成所采用的训练集，是通过Bagging方法获得的，Bagging应用了Bootstrap的思想，对训练数据进行重采样获得具有多样性的若干子训练集，用于训练改进的CNN模型，生成具有多样性的基学习机集合。

3.根据权利要求1所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法，其特征在于：

步骤一所述基学习机生成所采用的模型为改进的CNN模型，通过特征重用的方式对基础CNN模型进行改进，进一步优化基学习机的诊断性能，从而提升诊断准确度。

4.根据权利要求2所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法，其特征在于：

所述的CNN模型改进的特征重用，是将每一卷积层的输入进行池化操作后与该卷积层的输出合并，作为下一卷积层的输入；特征重用加强了每个卷积层的输入，通过将任何一层直接连接到所有后续的层来实现特征的有效利用，增强了模型的分类能力。

5.根据权利要求1所述的基于改进CNN与选择性集成的齿轮箱故障诊断方法，其特征在于：

步骤二所述的基学习机筛选是在验证集上对基学习机进行性能表征，采用谱聚类的方法对性能表征结果进行聚类，选择距离聚类中心最近的基学习机用于后续的集成，提升了基学习机的差异性，从而提高集成学习方法的分类效果。

6.根据权利要求4所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法，其特征在于：

基学习机的性能表征，是通过使用基学习机在验证集上进行故障诊断，获得各个基学习机的分类混淆矩阵，并将混淆矩阵转换为一维向量作为该基学习机的性能表征，该向量能够表征基学习机在不同故障上的诊断能力以及将某一故障误诊断为另一故障的概率。

7.根据权利要求1所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法，其特征在于：

步骤三所述的对选择出基学习机集成，采用的方法为DSmT理论，首先使用选择出的基学习机分别对测试数据进行诊断，针对集成过程中可能出现的类别判定冲突情况,利用DSmT融合识别置信度,获取故障类型的准确识别结果。