一种基于先验小波组策略融合的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于先验小波组策略融合的旋转机械故障诊断方法，步骤如下：首先通过设计小波卷积收缩网络并配合预训练，对各小波的特性进行初步测试。将测试结果作为先验，指导后续针对不同输入信号时的小波组策略选取。小波组策略选取基于训练一个小波组选择智能体，智能体可以为每一个输入的信号样本选取一组合适的小波进行小波卷积，然后将卷积输出的结果进行融合。最后，结合智能体对之前预训练的分类网络进行微调。本发明专利技术根据小波函数多样的特点，选取多个小波构成小波组，与现有技术相比在特征选择方面更具合理性，且模型具有更高的鲁棒性，组策略融合能进一步提高准确度。度。度。

【技术实现步骤摘要】
一种基于先验小波组策略融合的旋转机械故障诊断方法


[0001]本专利技术涉及一种基于先验小波组策略融合的旋转机械故障诊断方法，属于工业物联网中故障检测


技术介绍

[0002]随着人工智能技术的兴起，基于深度学习的智能故障诊断方式成为了故障诊断领域研究的热点。深度学习方法具有深层结构和较强的非线性特征提取能力，可以直接实现轴承振动信号中故障特征提取和模式识别。但是在实际工业场景中，从旋转机械中采集到的振动信号往往会包含大量的噪声信息，导致在训练过程中模型不能够很好地捕捉到故障模式。故障诊断中，传统方法通常使用小波变换对振动信号进行处理。首先通过小波基和振动信号做卷积生成小波系数。然后，依靠专家经验选取合适的阈值，对小波系数进行软阈值化，将噪声相关的小波系数滤去，之后利用剩余的小波系数对信号重构，实现对信号的去噪，从而有效提升数据质量，提高模型的性能。工业生产过程待诊断设备可能因工况变化、外界干扰产生各式各样的冲击信号，因此如何选取合适的小波进行分析一直是一个难题。针对这个问题，本专利技术提出一种基于先验小波组策略融合的旋转机械故障诊断方法。目的在于提高准确度，提升对噪声环境的鲁棒性。

技术实现思路

[0003]为解决现有技术中的不足，本专利技术提供一种基于先验小波组策略融合的旋转机械故障诊断方法，根据小波函数多样的特点，选取多个小波构成小波组进行组策略融合，进一步提高准确度。
[0004]本专利技术中主要采用的技术方案为：
[0005]一种基于先验小波组策略融合的旋转机械故障诊断方法，包括如下步骤：
[0006]步骤1：
[0007]小波卷积收缩网络预训练：构建由小波卷积层、阈值学习网络、软阈值滤波器和分类器组成的小波卷积收缩网络，并开展预训练。
[0008]预训练阶段，设置学习率a和训练周期epoch，同时加入标签平滑策略和学习率预热策略。通过上述配置，在预训练阶段可快速了解每个小波的大致性能，并保持网络参数的泛化能力。样本输入小波卷积收缩网络后,从包含
′
morlet
′
,
′
fbsp
′
,
′
gauss
′
,
′
mexhat
′
,
′
shan
′
,
′
laplace
′
的小波集合中依次选取一种小波进行卷积，并将该小波卷积预训练阶段的验证集准确率作为先验经验带入到小波组策略选择智能体的训练中。
[0009]步骤2：基于先验知识的小波组策略选择
[0010]在正式的小波组策略选择阶段，将小波组策略选择过程转化为马尔可夫决策过程MDP模型ε＝<S,A,R,T>，并设计状态空间S、动作空间A、奖励函数R、状态转移函数T和训练目标，训练一个智能体对小波组策略进行选择。
[0011]步骤3：
[0012]基于预训练网络模型重用的旋转机械故障诊断
[0013]使用步骤1预训练阶段使用的小波卷积收缩网络，在其小波卷积层使用步骤2中智能体的小波组策略选择结果。在阈值学习网络、软阈值化滤波器和分类器组成的网络中，重用步骤1中预训练阶段得到的参数，并对参数进行更新。待损失收敛，则终止训练。
[0014]优选地，所述步骤1的具体步骤如下：
[0015]步骤1
‑
1：输入原始振动信号和小波卷积核进行卷积运算，生成二维小波系数矩阵，小波系数计算公式如下：
[0016][0017]其中，a是平移系数，b为尺度系数，ψ(t)为小波母函数，x(t)为进行小波卷积的原始振动信号，t为原始振动信号的时间变量。在完成连续小波卷积，获得二维小波系数矩阵后，将二维小波系数矩阵按照分解的频率尺度依次放入对应通道，即一个频率尺度对应一个通道；
[0018]步骤1
‑
2：将步骤1
‑
1的输出输入到阈值学习网络学习阈值。阈值学习网络的本质是一个小型的一维卷积神经网络，具体结构包括两个一维卷积层、一个全局平均池化层和一个全连接层；
[0019]步骤1
‑
3：将步骤1
‑
1的输出输入到软阈值滤波器中，根据步骤1
‑
2输出的阈值进行软阈值化。软阈值化操作具体是根据软阈值函数将每个通道中的小于设定阈值的值置零。软阈值函数计算如下：
[0020][0021]其中，sign(x)为符号函数，用来保证特征值的正负性；x为软阈值。λ为阈值，由步骤1
‑
2中阈值学习网络输出；
[0022]步骤1
‑
4：将软阈值滤波器的输出输入到分类器中进行故障分类，分类器结构采用三层一维卷积层和两层全连接层。
[0023]优选地，所述步骤2的具体步骤如下：
[0024]步骤2
‑
1：预训练完成后，进行状态空间S设计。将状态设计为输入的振动信号，使得智能体可以根据输入的信号，选取合适的小波对其进行特征提取，得到最终诊断的结果。状态空间S为所有可以输入的振动信号集合；
[0025]步骤2
‑
2：进行动作空间A设计，将动作设计为选择合适的小波组策略，当状态输入后，智能体从动作空间中选择一个动作，根据动作选择对应的小波卷积核进行卷积，卷积后按照先验经验对卷积结果进行融合，得到最终的小波卷积输出。动作空间A为所有小波组策略的集合；
[0026]步骤2
‑
3:进行奖励函数R设计，奖励函数R设计如下：将最终卷积输出放入由阈值学习网络、软阈值化滤波器和分类器组成的网络，得到预测标签。将预测标签和输入样本的标签进行比较，若结果正确获得奖励，反之进行惩罚。与此同时，根据预测标签和实际标签，对小波卷积集合中的各小波卷积历史经验进行更新；
[0027]步骤2
‑
4:进行状态转移函数T设计，状态转移设计为从剩余样本中随意选择一个样本，所以状态转移函数T为剩余所有样本的集合。
[0028]在完成上述设计后开始对智能体进行训练，在训练过程中保持由阈值学习网络、软阈值化滤波器和分类器组成的网络的参数固定，待智能体获得的平均奖励趋于稳定，则终止训练。
[0029]有益效果：本专利技术提供一种基于先验小波组策略融合的旋转机械故障诊断方法，能够在强噪声环境进行故障诊断，根据小波函数多样的特点，选取多个小波构成小波组，与现有技术相比在特征选择方面更具合理性，且模型具有更高的鲁棒性，组策略融合能进一步提高准确度。
附图说明
[0030]图1为本专利技术的方法流程图；
[0031]图2为小波卷积收缩网络的示意图；
[0032]图3为阈值学习网络的示意图；
[0033]图4为智能体执行动作的示意图。
具体实施方式
[0034]为了使本
的人员更好地理解本申请中的技术方案，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于先验小波组策略融合的旋转机械故障诊断方法，其特征在于，包括如下步骤：步骤1：小波卷积收缩网络预训练构建由小波卷积层、阈值学习网络、软阈值滤波器和分类器组成的小波卷积收缩网络，并开展预训练；预训练阶段，样本输入小波卷积收缩网络后,从包含
′
morlet
′
,
′
fbsp
′
,
′
gauss
′
,
′
mexhat
′
,
′
shan
′
,
′
laplace
′
的小波集合中依次选取一种小波进行卷积，并将小波卷积预训练阶段的验证集准确率作为先验经验带入到小波组策略选择智能体的训练中；步骤2：基于先验知识的小波组策略选择在正式的小波组策略选择阶段，将小波组策略选择过程转化为马尔可夫决策过程MDP模型ε＝<S,A,R,T>，并设计状态空间S、动作空间A、奖励函数R、状态转移函数T和训练目标，训练一个智能体对小波组策略进行选择；步骤3：基于预训练网络模型重用的旋转机械故障诊断使用步骤1预训练阶段使用的小波卷积收缩网络，在其小波卷积层使用步骤2中智能体的小波组策略选择结果；在阈值学习网络、软阈值化滤波器和分类器组成的网络中，重用步骤1中预训练阶段得到的参数并对参数进行更新；待损失收敛，则终止训练。2.根据权利要求1所述的基于先验小波组策略融合的旋转机械故障诊断方法，其特征在于，所述步骤1的具体步骤如下：步骤1
‑
1：输入原始振动信号和小波卷积核进行卷积运算，生成二维小波系数矩阵，小波系数计算公式如下：其中，a是平移系数，b为尺度系数，ψ(t)为小波母函数，x(t)为进行小波卷积的原始振动信号，t为原始振动信号的时间变量；在完成连续小波卷积，获得二维小波系数矩阵后，将二维小波系数矩阵按照分解的频率尺度依次放入对应通道，即一个频率尺度对应一个通道；步骤1
‑
2：将步骤1
‑...

【专利技术属性】
技术研发人员：刘立，陈建杭，韩光洁，
申请(专利权)人：河海大学，
类型：发明
国别省市：