一种基于自动卷积神经网络的机械智能故障预测方法技术

本发明专利技术提供一种基于自动卷积神经网络的机械智能故障预测方法，获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；将所述训练完成的故障诊断模型应用于设备故障诊断。本发明专利技术提供的有益效果是：实现了对卷积神经网络参数的自动调节与优化，使得卷积神经网络对故障特征具有良好的提取能力。

【技术实现步骤摘要】
一种基于自动卷积神经网络的机械智能故障预测方法
本专利技术涉及故障预测领域，尤其涉及一种基于自动卷积神经网络的机械智能故障预测方法。
技术介绍
随着装备智能化程度的提高，基于知识的故障诊断方法，又称为数据驱动的故障诊断方法，逐渐得到了大量学者的研究，并在大量装备上取得了大量的应用效果，如轴承、航空发动机、大型风力发电机等。深度学习是数据驱动的故障诊断方法中的核心，主要用于对设备信号的分析与处理，实现对设备异常状态的挖掘与预测。然而，以深度学习为代表的数据驱动故障诊断方法的性能直接依赖于超参数的选择。虽然经过大量试验，在各类应用中形成了大量默认超参数，但是默认超参数远远不能保证设备在故障诊断上面的性能。以卷积神经网络是一种常用的深度学习方法，并在设备故障诊断领域中取得了大量的研究成果。卷积神经网络最重要的三个参数(学习率、批量、正则化值)的合理选择，将直接影响到卷积神经网络对故障特征的提取效果，进而降低故障诊断模型的预测精度和泛化能力。同时，现有技术中，对以上三个参数的选择，往往靠人工经验或者反复实验进行调制，需要耗费大量的人工精本文档来自技高网...

【技术保护点】
1.一种基于自动卷积神经网络的机械智能故障预测方法，其特征在于：具体包括以下步骤：/nS101：获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；/nS102：构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；/nS103：利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；/nS104：将所述训练完成的故障诊断模型应用于...

【技术特征摘要】
1.一种基于自动卷积神经网络的机械智能故障预测方法，其特征在于：具体包括以下步骤：
S101：获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；
S102：构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；
S103：利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；
S104：将所述训练完成的故障诊断模型应用于设备故障诊断。


2.如权利要求1所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
步骤S101具体为：
截取设备故障信号中的时序振动信号，并采用S变换对所述振动信号进行视频分析，得到时频图的二维矩阵，所述时频图二维矩阵即为预处理后的故障信号。


3.如权利要求1所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
步骤S102中，所述ACNN故障诊断模型的状态为st，行为为at，奖励为rt；其中t为训练ACNN故障诊断模型时的步长序号；st表示在第t步训练过程中，所述卷积神经网络CNN的状态特征；rt表示在第t步训练过程中ACNN故障诊断模型的奖励值；at表示在第t步训练过程中所述深度确定性策略梯度网络DDPG的行为；所述at为一个三维组，具体at＝(at,1,at,2,at,3)，其中at,1、at,2、at,3分别用于控制所述卷积神经网络CNN的学习率、批量和正则化值。


4.如权利要求3所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：状态st为所述卷积神经网络CNN的连续M个训练损失的误差，即st＝(losst-M,losst-M+1,…,losst-1)。


5.如权利要求1所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：步骤S102中，所述卷积神经网络CNN的结构包括：12个卷积层、2个全连接层和1个Softmax分类器，分别为La1～La12、FC1～FC2和FC3；其中FC1和FC2均采用L2正则化项。


6.如权利要求2所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
所述深度确定性策略梯度网络DDPG，包括行为者网络Actor和评价者网络Critic；
所述行为者网络Actor，包括输入层Input-A、长短期记忆网络LSTM-A、全连接层FC-A1和全连接层FC-A2；
所述评价者网络Critic，包括输入层Input-C1、长短期记忆网络LSTM-C、输入层Input-C2、连接层Con-C、全连接层FC-C1和全连接层FC-C2。


7.如权利要求5所述的基于自动卷积神经网络的机械智能故障预测方法，其特征在于：
所述行为者网络Actor的输入层Input-A接收所述卷积神经网络CNN的状态特征st，所述行为者网络Actor的输出为at，即卷积神经网络CNN的学习率、批量和正则化值；所述评价者网络Critic...

【专利技术属性】
技术研发人员：文龙，李新宇，高亮，
申请(专利权)人：中国地质大学武汉，华中科技大学，
类型：发明
国别省市：湖北;42