[发明专利]基于正交化局部连接网络的机械装备健康状态识别方法

摘要

基于正交化局部连接网络的机械装备健康状态识别方法，首先获取机械装备监测的振动信号样本，并通过无重叠分割，获得样本片段集；然后随机选取局部样本片段集，经白化处理后，训练正交稀疏自编码网络；再将训练好的正交稀疏自编码网络与样本片段集局部连接，提取样本片段的局部特征，通过局部特征算术平均计算振动信号样本的特征；最后以振动信号样本的特征为输入，训练Softmax分类器，再利用训练好的Softmax分类器输出诊断结果，实现机械状态健康状态的智能识别；本发明能够直接通过原始的振动信号识别机械装备的健康状态，避免了识别过程中的人为干预；保证了稀疏自编码网络的正交性，促使模型学习到的样本特征多样，诊断的准确性更高。

主权项

基于正交化局部连接网络的机械装备健康状态识别方法，其特征在于，包括以下步骤：步骤1：获取机械装备R种健康状态时的振动信号样本集其中，为第m个健康状态样本，由N个振动数据点组成，其样本标签为ym∈{1,2,3,...R}；步骤2：确定正交稀疏自编码网络的输入维数Nin和输出维数Nout，根据输入维数Nin，将健康状态样本xm分割为无重叠的J个样本片段，且J＝N/Nin，组成样本片段集其中，是第j个样本片段，由Nin个数据点组成；步骤3：随机从步骤2获取的样本片段集中选取Ns个样本片段并组成局部样本片段集经白化处理后，获得白化局部样本片段集其中再利用该白化局部样本片段集训练正交稀疏自编码网络，计算网络的局部权重矩阵即最小化目标函数：minWlocΣs=1Ns||WlocTσr(Wlocxws)-xs||22+λΣs=1NsΣk=1Nout|σr(Wlockxws)|]]>式中，σr(·)为ReLU激活函数；λ为正交化约束系数；为局部权重矩阵Wloc第k行行向量；步骤4：计算步骤3获得的局部权重矩阵Wloc与步骤2获得的样本片段的内积，得到样本片段的局部特征即：flocm,j=σr(Wloc·xmj)]]>将各局部特征算术平均，即获得健康状态样本xm的样本特征fm=1JΣj=1Jflocm,j]]>步骤5：利用带标签的样本特征{fm,ym}训练Sotfmax分类器，获得Sotfmax分类器的权重矩阵即最小化目标函数：J(Wclass)=-1M[Σm=1MΣr=1R1{ym=r}loge(Wclassr)TfmΣl=1Re(Wclassl)Tfm]]]>式中，分别为分类器权重矩阵Wclass的第r行、第l行行向量；通过计算分类器的权重矩阵Wclass与样本特征fm的内积，输出样本特征对应各样本标签的概率分布，取最大概率所对应的样本标签作为样本xm的健康状态，完成机械装备健康状态的智能识别。