基于自适应对称损失的旋转机械噪声标签故障诊断方法技术

本发明专利技术提供了一种基于自适应对称损失的旋转机械噪声标签故障诊断方法，解决噪声标签下基于深度学习的旋转机械故障诊断模型易受错误标记样本损害模型训练，进而导致诊断精度降低的问题。本发明专利技术使用宽的卷积核进行分支卷积，在保留网络深度的同时加强网络对于振动信号特征的提取。然后动态加权结合不同尺度的特征信息，充分准确地提取旋转机械的故障特征。最后，对网络输出特征进行方差评价，作为自适应对称交叉熵损失函数的权重参数，并以此进行反向传播更新网络参数。反向传播更新网络参数。反向传播更新网络参数。

【技术实现步骤摘要】
基于自适应对称损失的旋转机械噪声标签故障诊断方法


[0001]本专利技术涉及旋转机械故障诊断领域，具体涉及一种基于自适应对称损失的旋转机械噪声标签故障诊断方法。

技术介绍

[0002]旋转机械部件在风力发电机、高速列车、盾构机等大多数现代机械设备中至关重要。但其长期在运行过程中容易受到磨损和破坏，导致机械设备停机甚至造成巨大经济损失和人员伤亡。故障预测和健康管理技术(Prognostics Health Management，PHM)能够对旋转机械的关键零部件进行状态监测与故障诊断，并基于此制定合理的运维策略。因此，通过状态监测信号对旋转机械进行故障诊断具有实际价值和研究意义。
[0003]基于深度学习的故障诊断方法因其强大的非线性特征自适应提取能力而受到广泛关注，也得以在旋转机械故障诊断中备受青睐。当前基于深度学习的旋转机械故障诊断方法极度依赖于高质量准确标注的故障分类标签进行网络参数的迭代寻优。然而，高质量准确标注故障数据集的获取往往非常具有挑战且花费昂贵，其中一些样本可能由于主观或客观原因被错误标注。错误标注将直接影响深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应对称损失的旋转机械噪声标签故障诊断方法，其特征在于，包括动态宽卷积残差网络和自适应对称交叉熵损失函数；所述自适应对称交叉熵损失函数通过网络输出评估进行自适应加权，对网络反向传播优化参数；所述方法包括如下步骤：步骤1：采集旋转机械故障数据，并预处理为训练数据集D
train
和测试数据集D
test
，其中，D
train
为带有噪声标签的数据集；步骤2：构建动态宽卷积残差网络，将训练数据集按照批次Batch输入该网络，得到网络所提取的特征f；步骤3：根据步骤2中所提取的特征f，计算自适应对称损失函数的权重参数Var，并根据此参数计算每一个批次的损失函数L
ASCE
，然后根据此损失函数进行反向传播，优化网络参数得到训练完成的诊断模型，对应的计算流程包含如下步骤；步骤3
‑
1，将步骤2中的特征f进行Softmax计算，得到特征图中每一个元素的分布概率：式中，f
i
为第i个元素的值，n为故障类型数；由该式将得到概率分布组合，从而形成概率分布向量P＝(p(f1)，p(f2)，...，p(f
n
))；步骤3
‑
2，对步骤3
‑
1中得到的概率分布向量P进行方差计算，得到自适应对称损失函数中交叉熵损失函数的方差权重Var：式中，为概率分布向量P的均值；步骤3
‑
3，根据步骤3
‑
2中的方差权重Var，计算所述自适应对称交叉熵损失函数：式中，L
CCE
表示交叉熵损失函数，L
RCE
表示反向交叉熵损失函数；p(f
i
)表示第i个分类的预测标签概率值，y
i
表示样本对应的标签值，p(f
c
)表示第c类的预测标签概率值；当y
i
＝0时，定义log(y
i
)＝A(A为小于0的常数，值为[
‑
7，
‑
5])；步骤3
‑
4，根据步骤3
‑
3中的自适应损失函数L
ASCE
计算每一个Batch中所有样本的损失函数值，对所构建的动态宽卷积网络进行反向传播优化网络参数，直到完成训练；步骤4：采用步骤3中训练好的故障诊断模型对旋转机械故障数据集进行诊断。2.如权利要求1所述的基于自适应对称损失的旋转机械噪声标签故障诊断方法，其特征在于，所述步骤2中动态宽卷积残差网络包括顺序连接的普通卷积层和动态宽卷积层；所述动态宽卷积层工作过程包含如下步骤：步骤2
‑
1，将上一层的输出f
l
‑1分别输入至两个不同核大小的卷积层操作中，其中第一个卷积核大小为3
×
1(...

【专利技术属性】
技术研发人员：张楷，郑庆，秦国浩，丁国富，赖旭伟，李致萱，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：