[发明专利]基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

权利要求书

1.基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：

(1)将振动器采集的振动故障信号经过时域、频域处理方法选择样本原始特征向量，确定故障所属类别，构成原始样本数据集；

(2)对所有样本数据进行标准化处理；

(3)构建F+1层深度神经网络，第一层为输入层，中间层为隐藏层，最后一层为分类层；

(4)初始化神经网络的权重和偏置向量；

(5)提取训练样本在每个隐藏层的特征表达；

(6)根据初始训练样本和其第F隐藏层的特征表达构建流形对齐正则项；

(7)根据样本真实标签和分类预测构建分类器的损失函数项；

(8)获得权重和偏置的衰减项；

(9)根据步骤(6)-(8)获得整体目标函数；

(10)使用梯度下降反向传播算法优化网络权重和偏置；

(11)重复步骤(5)-(10)至最大迭代次数；

(12)得到分类层的标签预测，最大概率所属标签即为预测标签；

步骤(6)中，构建流形对齐正则项方式如下：

式中，1_N∈R^N由N维1向量组成,T表示转置，W_g∈R^N×N表示相似度矩阵，定义方式如下：

式中，exp(-d(X_i，X_j))用以衡量样本X_i和X_j间的相似程度。

2.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(1)中所述故障所属类别包括不平衡、不对中、自激振动、支撑松动、动静摩擦。

3.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(2)中，给定训练样本集对样本数据标准化处理方式如下：

其中N表示样本数量，d⁽¹⁾表示样本特征维度,表示第i个样本，Y＝{1，…，K}表示类别标签集合，每个样本的标签Y_i∈Y，/X_i，j表示标准化样本集X第i行，第j列元素。

4.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(5)中，提取训练样本在每个隐藏层的特征表达，第l+1层特征提取方式如下：

式中，表示第l层和第l+1层的特征维数分别为d^(l)和d^(l+1),和/分别表示权重矩阵和偏置向量，f(·)为sigmoid激活函数，即/

5.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(7)中，构建损失函数项方法如下：

预估样本所属各标签类别概率：

根据样本实际标签和预估类别概率得到损失函数项:

式中，表示W^(F)的第j行，j∈{1，2，…，K}表示第j个类别标签。

6.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(8)中，权重衰减项为：

7.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(9)中，获得的目标函数如下：

式中，μ和λ为常量系数。

8.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(10)中，使用梯度下降反向传播算法优化网络权重和偏置方法如下：

式中，η为常量学习速率。

9.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(12)，得到分类层的标签预测，最大概率所属标签即为预测标签：

/