[发明专利]基于多尺度2D膨胀卷积网络的设备故障诊断方法及装置

权利要求书

1.一种基于多尺度2D膨胀卷积网络的设备故障诊断方法，其特征在于，所述方法包括：

S1、获取机械设备数据；

S2、将所述机械设备数据转换为二维图像；

S3、将所述二维图像输入到训练好的多尺度2D膨胀卷积神经网络；

S4、基于所述二维图像以及训练好的多尺度2D膨胀卷积神经网络，得到机械设备故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述S2中的将所述机械设备数据转换为二维图像包括：

从所述机械设备数据中选取一段长m*m的序列y(i)，i＝1,2,3,…,m*m；将所述序列按顺序排列成一个m*m的矩阵p(j,k),j＝1,2,3,…,m；k＝1,2,3,…,m；所述矩阵p(j,k)即为二维图像。

3.根据权利要求1所述的方法，其特征在于，所述S3中的多尺度2D膨胀卷积神经网络包括浅层特征提取单元以及多个残差计算单元；

所述多个残差计算单元依次为第一残差计算单元、第二残差计算单元及第三残差计算单元；

所述浅层特征提取单元顺位设置于所述第一残差计算单元前；

所述多尺度2D膨胀卷积神经网络还包括全局平均池化层以及全连接层。

4.根据权利要求3所述的方法，其特征在于，所述多个残差计算单元中的每个残差计算单元包括多个残差网络顺序连接，所述多个残差网络依次为第一残差网络、第二残差网络、第三残差网络；每个残差计算单元中的多个残差网络均采用2D膨胀卷积，且设有不同的膨胀卷积率。

5.根据权利要求1所述的方法，其特征在于，所述S3中的多尺度2D膨胀卷积神经网络的训练过程包括：

S31、获取样本数据集；所述样本数据集包括训练样本数据集和测试样本数据集；

S32、根据所述训练样本数据集对所述多尺度2D膨胀卷积神经网络进行训练，若达到预设迭代次数或训练损失函数小于预设阈值，则停止训练，得到训练后的多尺度2D膨胀卷积神经网络；

S33、根据所述测试样本数据集对所述训练后的多尺度2D膨胀卷积神经网络进行测试，得到测试后的多尺度2D膨胀卷积神经网络即训练好的多尺度2D膨胀卷积神经网络。

6.根据权利要求5所述的方法，其特征在于，所述S31中的获取样本数据集包括：

S311、获取机械设备的故障数据；所述故障数据为一维原始振动信号；

S312、将所述故障数据转换为二维图像；

S313、对所述二维图像标记故障标签，得到样本数据集。

7.根据权利要求5所述的方法，其特征在于，所述S32中的根据所述训练样本数据集对所述多尺度2D膨胀卷积神经网络进行训练包括：

S321、将所述训练样本数据集输入到所述浅层特征提取单元，得到浅层的特征图；

S322、将所述浅层的特征图输入到第一残差计算单元，得到第一分辨率的特征图；

S323、将所述训练样本数据集以及第一分辨率的特征图输入到第二残差计算单元，得到第二分辨率的特征图；

S324、将所述训练样本数据集以及第二分辨率的特征图输入到第三残差计算单元，得到第三分辨率的特征图；

S325、将所述第三分辨率的特征图输入到全局平均池化层，得到降维后的平均值；

S326、所述降维后的平均值经全连接层的softmax激活函数，得到训练样本故障诊断结果。

8.根据权利要求7所述的方法，其特征在于，所述浅层特征提取单元包括卷积层、批标准层以及激活层；

所述S321中的将所述训练样本数据集输入到所述浅层特征提取单元，得到浅层的特征图包括：

S3211、将所述训练样本数据集输入到所述卷积层进行特征信息提取，得到特征信息；

S3212、将所述特征信息输入到所述批标准层，得到标准化后的特征信息；

S3213、将所述标准化后的特征信息输入到所述激活层，得到浅层的特征图。