一种基于压缩感知与改进多尺度网络的故障诊断方法技术

本发明专利技术公开了一种基于压缩感知与改进多尺度网络的故障诊断方法，采用压缩感知压缩样本，能从原样本信号中保留感兴趣的信息，提高数据分析效率。利用压缩感知的高斯测量矩阵乘以信号矩阵，由于高斯测量矩阵是随机矩阵，每次生成的矩阵元素是不同的，产生的训练样本也是不同，产生足够多的训练样本，进一步解决深度模型训练过程中存在的小样本问题，提高了小样本故障诊断的精确率。在具有相同的尺寸和特征映射数量的特征映射之间引入恒等映射，通过对不同层的特征提取，连接不同层的特征拼接为一个整体实现特征融合，得到与输入图像对应的深度融合特征向量，从而解决了多尺度网络优化过程困难问题，能在不同工况下有效识别故障类型。

A Fault Diagnosis Method Based on Compressed Sensing and Improved Multiscale Network

The invention discloses a fault diagnosis method based on compressed sensing and improved multi-scale network. The compressed sensing compressed sample can retain the information of interest from the original sample signal and improve the data analysis efficiency. By multiplying the Gaussian measurement matrix of compressed sensing by the signal matrix, because the Gaussian measurement matrix is a random matrix, the matrix elements generated are different each time, and the training samples generated are also different. It generates enough training samples to further solve the problem of small samples in the process of depth model training and improve the accuracy of fault diagnosis of small samples. Identical mapping is introduced between feature maps with the same size and number of feature maps. By extracting features from different layers and splicing features from different layers into a whole, the feature vectors corresponding to the input image are obtained, which solves the difficult problem of multi-scale network optimization process and effectively identifies the fault types under different working conditions. \u3002

【技术实现步骤摘要】
一种基于压缩感知与改进多尺度网络的故障诊断方法
本专利技术属于旋转机械故障诊断
，更具体地，涉及一种基于压缩感知与改进多尺度网络的故障诊断方法。
技术介绍
旋转机械在恶劣和极端的工作条件下会发生各种损伤和失效，其工作失效会影响整个系统的性能并可能导致系统停机，造成重大损失。为了避免故障的发生、保证设备安全运行、减少经济损失，需要对旋转机械系统进行智能诊断和预测。然而传统的故障诊断方法存在着局限性，其诊断性能在很大程度上取决于专家经验和先验知识，且用于预测的模型往往具有浅层的网络结构。卷积神经网络近年来被广泛应用于故障诊断，具有比传统人工神经网络更深层次的网络结构，能够在预测模型中集成更多的相关特征以便于诊断分类，也可以为大型神经网络提供稀疏连接，避免过度拟合。为了充分利用卷积神经网络的优势，Hu提出一种多尺度网络(multi-scalenetwork，MSN)，其包括一个不同层的三分支模型，它可以有效地提取相关特征并进行不同层次的抽象，并通过完整的连接来合并相关且敏感的特征。虽然多尺度网络在特征学习方面具有优势，但它在故障诊断方面仍有一些局限性：(1)多尺度网络使用卷积的方法来本文档来自技高网...

【技术保护点】
1.一种基于压缩感知与改进多尺度网络的故障诊断方法，其特征在于，该方法包括以下步骤：步骤S1.对于训练样本集和待测样本，基于压缩感知压缩旋转装置的振动信号；步骤S2.对于训练样本集和待测样本，将压缩后信号重组为二维图像，对所述二维图像的像素进行归一化处理；步骤S3.对于训练样本集和待测样本，将像素归一化的二维图像作为改进多尺度网络的输入，改进多尺度网络输出与输入图像对应的深度融合特征向量，所述改进多尺度网络在多尺度网络的特征映射之间引入恒等映射；步骤S4.将所述训练样本集的深度融合特征向量作为softmax分类器模型的输入，将所述训练样本集的故障类型标签作为softmax分类器模型的输出，训练...

【技术特征摘要】
1.一种基于压缩感知与改进多尺度网络的故障诊断方法，其特征在于，该方法包括以下步骤：步骤S1.对于训练样本集和待测样本，基于压缩感知压缩旋转装置的振动信号；步骤S2.对于训练样本集和待测样本，将压缩后信号重组为二维图像，对所述二维图像的像素进行归一化处理；步骤S3.对于训练样本集和待测样本，将像素归一化的二维图像作为改进多尺度网络的输入，改进多尺度网络输出与输入图像对应的深度融合特征向量，所述改进多尺度网络在多尺度网络的特征映射之间引入恒等映射；步骤S4.将所述训练样本集的深度融合特征向量作为softmax分类器模型的输入，将所述训练样本集的故障类型标签作为softmax分类器模型的输出，训练由改进多尺度网络和softmax分类器构成的故障诊断模型；步骤S5.将所述待测样本的深度融合特征向量输入训练好的故障诊断模型，得到所述待测样本的故障诊断结果。2.如权利要求1所述的故障诊断方法，其特征在于，针对小样本训练集，所述故障诊断方法在步骤S1之后、步骤S2之前还包括以下步骤：多次利用压缩感知的高斯测量矩阵乘以训练样本的信号矩阵，生成大样本训练集。3.如权利要求1所述的故障诊断方法，其特征在于，步骤S1中，压缩前信号X，压缩后信号Y＝ΦX，其中，Φ∈RM×N表示压缩感知的高斯测量矩阵。4.如权利要求1所述的故障诊断方法，其特征在于，步骤S2中，所述将压缩后信号重组为二维图像具体为：从压缩后信号Y中随机选取n个n维的数据样本，将得到的样本依次构造的图像Z的每一行。5.如权利要求1所述的故障诊断方法，其特征在...

【专利技术属性】
技术研发人员：刘颉，葛子月，胡中旭，葛明峰，周奇，许颜贺，周凯波，张立丽，张志鑫，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42