[发明专利]基于多源信号和深度学习的设备故障诊断方法

权利要求书

1.一种基于多源信号和深度学习的设备故障诊断方法，其特征在于，具体包括如下步骤：

1)多源传感器信号的采集与选取：从多种监测设备状态的传感器信号中选择表征设备各种故障状态以及健康状态的数据，其中状态数据要求能被连续测量和记录；

2)多源传感器信号预处理：将每个传感器数据均切割成长度为L的片段，然后针对所在片段对每个数据进行最小最大值归一化处理将数值限制在[0,1]之间，最后将片段重新拼接成H╳W的二维矩阵数据，其中H、W分别表示二维矩阵的行数和列数，预处理后所有传感器二维数据构成训练数据集；

3)基于深度学习建立多源信号特征提取网络：首先，对每个传感器信号进行初始特征提取，然后，将多源特征进行通道级联；随后，借鉴残差学习的思想构建多源特征融合提取的主干网络，主干网络由残差模块和卷积层交替排序，其中残差模块每两层卷积层使用一次跳跃连接，相当于对输入进行恒等映射，残差模块中第一层卷积层作为瓶颈层，卷积核大小为1╳1，用以压缩特征通道数量，在融合多通道特征的同时减少网络参数；第二层使用3╳3卷积核，用于提取高级特征，每个卷积层后面紧跟一层批标准化层，以及一个LeakyReLU激活函数；

4)对分类器进行优化：引入全局平均池化计算优化分类器，在特征提取网络和全连接层之间加入全局平均池化层，再通过全连接层到Softmax层输出；

5)使用步骤2)训练数据集对特征提取网络和分类器构成的诊断模型进行训练，得到最终的故障诊断模型并直接将其应用于设备故障诊断。

2.根据权利要求1所述基于多源信号和深度学习的设备故障诊断方法，其特征在于，所述步骤3)中Leaky ReLU的函数表达式为：

Leaky ReLU在负半区存在泄漏值，避免神经元死亡的现象，其中x_i,j,k表示特征提取网络中第i个通道中第j行第k列的归一化元素。

3.根据权利要求2所述基于多源信号和深度学习的设备故障诊断方法，其特征在于，所述步骤5)诊断模型训练过程如下：

1)对诊断模型的参数和权值进行初始化；

2)训练数据集随机分批，按批次输入诊断模型，得到每一层网络的输出值，包括特征提取网络中各个卷积层，以及分类器中的池化层、全连接层和Softmax层；

3)根据预设的损失函数，在当前网络模型的基础上，计算各批次的输出值与目标值之间的误差，最后求出所有批次的平均误差；

4)将误差从输出层反向传递，逐层计算权值的梯度，完成所有梯度计算后，更新全部网络权值；

5)重复步骤2)～4)，直到满足迭代停止条件：包括模型收敛即误差稳定在某个比较小的值，以及达到最大迭代次数。