[发明专利]一种基于自调优深度学习的机械故障预测方法

权利要求书

1.一种基于自调优深度学习的机械故障预测方法，其特征在于：包括以下步骤：

S101：获取故障诊断数据集；

S102：构建故障诊断模型；该模型包括主CNN网络、博弈CNN网络、主Q网络和目标Q网络四个网络结构；其中主CNN网络输出最终的故障诊断结果；博弈CNN网络与主CNN网络的结构一样，为其克隆网络；主Q网络为3层人工神经网络结构；目标Q网络与主Q网络的结构一样，为其克隆网络；初始化主CNN网络和博弈CNN网络的学习率η，训练步t＝0；

S103：建立故障诊断模型的状态、行为、奖励的表征方法；故障诊断模型CNN网络在进行第t步训练时，状态s_t为故障诊断模型CNN网络的表示方法；所述故障诊断模型CNN网络包括主CNN网络和博弈CNN网络；故障诊断模型Q网络通过所述故障诊断模型CNN网络的状态，预测得到各个行为对应的预测奖励值，并选取最大的奖励值y_t及其对应的行为a_t；所述故障诊断模型Q网络包括主Q网络和目标Q网络；

所述故障诊断模型Q网络通过行为函数将行为a_t用于学习率η的更新，并以该学习率训练一步所述故障诊断模型CNN网络，得到该步的训练误差f_t，变换得到奖励值r_t+1，同时该CNN网络达到下一状态s_t+1；

最后，将状态s_t、行为a_t、奖励值r_t+1、下一状态s_t+1存储以备用；

S104：强化学习网络结构训练方法：通过积累上步中状态s_t、行为a_t、奖励值r_t+1、下一状态s_t+1，训练主Q网络；该训练过程采用双Q-网络训练方法，即采用目标Q网络预测下一状态s_t+1的最大奖励值，用于构建主Q网络的训练函数；主Q网络训练完成后，即将其网络参数克隆给目标Q网络，用于下次训练；

S105：故障诊断网络模型训练方法：将主Q网络的网络参数克隆给博弈CNN网络；训练博弈CNN网络step步；然后训练主Q网络后，将主Q网络的网络参数克隆给目标Q网络；训练主CNN网络step步，以更新CNN网络在故障诊断上的效果；

S106：将训练好的主Q网络应用于故障数据诊断。

2.如权利要求1所述的一种基于自调优深度学习的机械故障预测方法，其特征在于：步骤S101中获取故障诊断数据集的具体方法为：从采集到的振动信号中随机截取时序信号样本，并采用S变换将所述时序信号样本内的信号自时域转换成时频域，进而将得到的二维矩阵调整为224×224维矩阵，作为1个故障诊断数据；共采集M个故障诊断数据形成故障诊断数据集。

3.如权利要求1所述的一种基于自调优深度学习的机械故障预测方法，其特征在于：步骤S102中，所述故障诊断模型CNN网络为基于经典LeNet-5模型改进的网络结构，包括六组交替的卷积层和池化层，并包含2组全连接层和Softmax故障分类器，具体为：在最大池化层之前插入多个卷积层；包括：插入在第一个最大池化层之前的1个7×7×64的卷积层和3个5×5×96的卷积层；插入在第二个最大池化层之前的3个3×3×128的卷积层；插入在第三个最大池化层之前的2个3×3×256的卷积层；插入在第四个最大池化层之前的1个3×3×256的卷积层；其中所述3×3、5×5和7×7分别表示卷积层的卷积滤波器尺寸为3×3、5×5和7×7；所述64、128和256分别表示卷积层的深度为64、128和256；除7×7×64的卷积层的步长为2×2以外，其余卷积层步长均为1×1。

4.如权利要求1所述的一种基于自调优深度学习的机械故障预测方法，其特征在于：步骤S102中，所述故障诊断模型Q网络为四层人工神经网络结构，其网络结构为[6,16,16,5]；其中输入层为6维，对应CNN网络状态s的维度，输出层为5层，对应行为a的状态维度；中间两层的隐含层节点数为16。