[发明专利]一种基于深度混合网络结构的机械故障诊断方法

摘要

本发明涉及一种基于深度混合网络结构的机械故障诊断方法，属于机械故障诊断领域。该方法包括以下步骤：1)原始振动信号获取；2)原始振动信号通过混合网络的第一部分散射网络，提取其频率域特征，抑制噪声干扰；3)散射网络输出的各个子带分别作为SDnet输入中相对应的通道；4)通过混合网络的第二部分SDnet，对特征更进一步提取和故障分类诊断。本发明所采用的方法与现有的技术相比，在网络结构上更为轻量化，同时具有更高的识别准确率，且具有较强的迁移学习能力和抗噪性能。

主权项

1.一种基于深度混合网络结构的机械故障诊断方法，其特征在于：该方法包括以下步骤：S1：在机械设备的各个位置安装传感器，采集不同故障情况下机械设备的振动信号；S2：将原始振动信号数据分成训练集和测试集；S3：将训练集输入混合网络中提取特征并训练；S4：将测试集通过混合网络提取特征，并进行故障分类，得到诊断结果；所述混合网络结构由两部分组成：散射网络和SDnet；所述SDnet的结构为：SDnet是具有14层深度的一维卷积神经网络，为在加深网络的同时，减少网络的参数和训练量；该网络的构造细节情况如下：①网络中conv_1到conv_5的卷积层采用relu激活函数，加快收敛速度，防止梯度爆炸和梯度消失；pool_1到pool_4的池化层采用最大池化，使经过池化层的特征具有局部平移不变性，在减少特征维度的同时一定程度上去除部分噪声；②在conv_3到conv_5卷积块中采用核值为3和1的卷积层交替级联，在加深网络深度的同时减少需要训练的参数量；③在网络的后半部，采用conv_6和pool_5来替代常用的全连接层，在减少网络参数量的同时，还能减少由全连接层所带来的过拟合风险；其中conv_6的卷积层采用线性激活函数；Pool_5的池化层采用全局平均池化，将输入特征每个通道中的特征图对应到一个输出类特征，加强特征图与输出类别的一致性，并且通过对空间信息求和，增强池化过程的稳定性；④SDnet采用交叉熵(Cross Entropy Loss)作为损失函数，其公式为：其中p(x)为训练集的标签，q(x)为网络预测的标签值；在分类问题中，交叉熵函数常被用作损失函数；在模型的优化过程中，交叉熵损失的梯度只和正确分类的预测结果有关。