一种深度智能故障诊断模型动态两极化剪枝方法技术

本发明专利技术提供了一种深度智能故障诊断模型动态两极化剪枝方法。该方法包括：根据诊断任务的实际情况设计机械设备智能故障诊断模型，确定机械设备智能故障诊断模型中需要剪枝的网络层；将两极化剪枝模块嵌入机械设备智能故障诊断模型，并与需要剪枝的网络层连接，将需要剪枝的网络层的输出特征图作为两极化剪枝模块的输入；利用机械设备故障诊断数据集对机械设备智能故障诊断模型和两极化剪枝模块进行同步训练，两极化剪枝模块输出经过剪枝和通道增强的所述需要剪枝的网络层的特征图。本发明专利技术方法可以在诊断模型训练过程中同步地完成大网络粒度单位的动态结构化剪枝，剪枝方式为结构化剪枝而无须特定硬件设备支持；剪枝不影响诊断精度等诸多优点。响诊断精度等诸多优点。响诊断精度等诸多优点。

【技术实现步骤摘要】
一种深度智能故障诊断模型动态两极化剪枝方法


[0001]本专利技术涉及设备故障诊断
，尤其涉及一种深度智能故障诊断模 型动态两极化剪枝方法。

技术介绍

[0002]由于复杂多变的工况、人为操作的影响、部件自然退化等原因，机械设 备在运行过程中不可避免地会发生各类故障，轻则导致停机停产，重则造成 人员伤亡。因此，对机械设备故障进行及时诊断并采取相应的维护措施，对 保障其安全、可靠、高效运行具有重要的现实意义。传统的机械设备维护通 常以经验性的时间周期对设备各部件进行维修或更换，容易导致“过维修
”ꢀ
或“欠维修”问题，不仅造成资源无端浪费、企业运维成本攀升，而且无法 有效避免重大安全事故。随着物联网、大数据、5G通讯和人工智能等新一代 信息技术的飞速发展，基于深度置信网络、卷积神经网络和堆叠自编码网络 等深度学习技术的智能故障诊断备受青睐，成为了机械设备安全运行保障的 一把“利刃”。
[0003]目前，工业现场所使用的智能故障诊断系统框架通常为星形辐射状结 构，即服务器作为数据处理和计算中心，通过网关、数采板卡等硬件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度智能故障诊断模型动态两极化剪枝方法，其特征在于，包括：根据诊断任务的实际情况设计机械设备智能故障诊断模型，确定所述机械设备智能故障诊断模型中需要剪枝的网络层；将两极化剪枝模块嵌入所述机械设备智能故障诊断模型，将所述两极化剪枝模块与所述需要剪枝的网络层连接，将所述需要剪枝的网络层的输出特征图作为所述两极化剪枝模块的输入；获取机械设备故障诊断数据集，利用所述机械设备故障诊断数据集对所述机械设备智能故障诊断模型和所述两极化剪枝模块进行同步训练，所述两极化剪枝模块输出经过剪枝和通道增强的所述需要剪枝的网络层的特征图。2.根据权利要求1所述的方法，其特征在于，所述两极化剪枝模块借助网络粒度单位与通道的对应关系，通过可学习的评估向量间接评估网络粒度单位对任务的贡献度，并配合动态自适应阈值算子生成通道级两极化向量，利用两极化向量切断被剪枝网络粒度单位对网络前向计算和反向传播的影响，实现与训练同步的所述需要剪枝的网络层的动态冗余参数剪枝。3.根据权利要求2所述的方法，其特征在于，所述两极化剪枝模块的执行步骤如下：3.1)设需要剪枝的网络层的输出特征图记作为X＝{X1，X2，X3...X
C
}，W、H、C分别表示特征图的宽、高和通道数；X首先按通道分别求取各通道特征图X
n
的均值μ
n
和方差σ
2n
，其中n＝1,2,3...C，基于每个通道的μ
n
和σ
2n
进行高斯分布随机采样，得到每个通道的采样值β
n
，并将β
n
按通道顺序拼接成采样向量β，具体计算表达式如下：按通道顺序拼接成采样向量β，具体计算表达式如下：β
n
＝Sampling(N～(μ
n
,σ
n2
)),n＝1,2...Cβ＝concat(β1,β2...β
C
)式中，sampling(
·
)表示采样操作，N～(μ
n
，σ
2n
)表示均值为μ
n
，方差为σ
2n
的高斯分布，concat(
·
)表示按通...

【专利技术属性】
技术研发人员：王彪，丁奥，秦勇，贾利民，汪洋，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：