买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明公开了一种基于原始振动信号的深宽度故障诊断方法，针对边缘网关设备计算能力不足的情况或是故障诊断实时性需求较高的场景。该方法包括：获得原始振动信号数据以及标签值。对原始振动信号进行预处理，分割训练集和测试集。将预处理后的训练集输入第一层深度可分离卷积网络。输入测试集，得到预测输出以及残差输出。将残差输出作为第二层深度可分离卷积网络的训练集输入，得到第二个预测输出。将第一层预测输出与第二层预测输出相加得到预测输出。本发明基于原始振动信号的深宽度故障诊断方法更好地实现了在边缘网关设备计算能力不足以及故障诊断实时性要求高下的智能故障诊断。

主权项：1.基于原始振动信号的深宽度故障诊断方法，其特征在于，包括以下步骤：第一步，获得轴承的振动信号数据以及对应的每个类别故障的故障类型标签值；对振动信号进行预处理，分割测试集、第一层训练集和第二层训练集；第二步，构建第一层深度可分离卷积网络，将第一层训练集输入第一层深度可分离卷积网络进行训练，训练完成后保存参数，得到第一层模型；第一层深度可分离卷积网络的构建和训练过程如下：将第一层训练集输入第一层深度可分离卷积网络；输入数据首先同时经过不同尺度的卷积核的深度可分离卷积块提取不同的特征，深度可分离卷积由两部分构成：深度卷积和点卷积，每个深度可分离卷积块存在数个深度可分离卷积；每两个深度可分离卷积块经过一个正则化操作；设计BLS网络由n组特征节点和m组增强节点组成，结构如下：首先，深度可分离卷积φi生成的第i组特征节点为： 其中Z是输入数据，Gei和βei为特征节点内的权重，n组特征节点的集合表示为同时，n组特征节点的集合Zn通过伪逆进行求解，目标函数为： 其中l代表输入数据对应标签，取σ1＝σ2＝u＝v＝2，将目标函数最优问题设定为正则l2，值λ表示对平方权重之和G的约束；第二，第j组增强节点由原始卷积ξj生成，即： 其中和为增强中的权重，所有的增强节点表示为接着，将n组特征节点和m组增强节点的集合通过原始卷积降维输出R1，作为第二层深度可分离卷积网络的输入；最后，将n组特征节点和m组增强节点的集合通过深度可分离卷积分类层，得到期望输出Y： 其中Gm是第一层深度可分离卷积网络输出层的权重，βm是第一层深度可分离卷积网络输出层的偏置；第一层深度可分离卷积网络模型训练完成后保存模型参数，用于在第二层深度可分离卷积网络模型训练时调用；第三步，第二层深度可分离卷积网络的训练集构建方法如下：将第二层训练集输入训练完成的第一层深度可分离卷积网络，将第一层深度可分离卷积网络的原始标签y转为独热编码，与第一层深度可分离卷积网络的实际输出t1相减得到标签y-t1，作为第二层深度可分离卷积网络的拟合目标；所述标签y-t1，特征节点和增强节点集合的降维输出R1，以及第一层深度可分离卷积网络的期望输出Y一并构建得到第二层深度可分离卷积网络的训练集；第二层深度可分离卷积网络由堆叠式BLS网络构成，构建和训练过程如下：将第二层深度可分离卷积网络的输入数据表示为x，即降维输出R1；输出数据为每个BLS块的输出ti，具有n个堆叠式BLS块Ki的结构如下：首先，按如下方式制定块： 其中i＝2，...，n，ti为第i-1个块的输出，权重和随机产生，vi＝gti-1，函数g为恒等函数，即vi＝ti-1；和是特征卷积，表示和的复合映射；其次，所有的堆叠式BLS块的输出的和近似于期望输出y-t1；相邻的堆叠式BLS块通过残差组合，其中每个堆叠式BLS块结构一致，第i个块的期望输出为： 对于训练数据{vi，yi，i＝1，...，n}，第一个堆叠式BLS块通过设置y1＝y-t1和v1＝R1生成，即其中权重和随机生成，权重和通过矩阵计算，即： 第一个堆叠式BLS结构的转换输出t2被送入下一个单独的堆叠式BLS块作为训练数据，它被表示为t3＝gt2，第二个堆叠式BLS块的期望输出y2为输入标签y-t1与第一个堆叠式BLS块输出t2的差，即y2＝y-t1-t2，每个堆叠式BLS块模型的参数在训练每个堆叠式BLS块的基础上进行增量更新；具体来说，有： 其中权重和随机生成；对于第i-1个堆叠式BLS块的增量，i＝2，...，n，有： 其中权重和随机生成，且： 第四步，将第一层深度可分离卷积网络预测输出与第二层深度可分离卷积网络预测输出相加得到最终的预测输出，完成深宽度故障诊断网络的构建；第五步：采样得到新的振动数据输入深宽度故障诊断网络，输出故障类型。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于原始振动信号的深宽度故障诊断方法