多源信息融合构造深度张量投影网络的机械故障诊断方法技术

本发明专利技术公开了一种多源信息融合构造深度张量投影网络的机械故障诊断方法，把采集到的振动信号划分成多个等长的信号样本，将同类故障的不同信号特征的时频图进行特征融合，构造时间

【技术实现步骤摘要】
多源信息融合构造深度张量投影网络的机械故障诊断方法


[0001]本专利技术涉及基于人工智能的机械故障诊断技术，特别涉及一种多源信息融合构造深度张量投影网络的机械故障诊断方法。

技术介绍

[0002]旋转机械通常运行在复杂、恶劣和不稳定的环境下，采集到的信号具有很强的非线性和耦合性。然而直接使用这一振动信号，会使模型无法有效提取到完整地旋转机械的故障特征信息，从而影响模型性能，甚至导致模型出现漏诊或者误判的情况。因此，为了避免这一问题的出现，更丰富和更全面的故障信息数据作为模型的输入来提高故障诊断模型性能与识别准确率是非常有必要的。而多源信息融合是一种可以整合并分析来自不同角度和方面的信息的方法，不仅增强了信息的全面性和准确性，还提高了信息的质量和可靠性。
[0003]目前，基于多源信息融合的故障诊断方法能够稳定、广泛地提取故障特征，但是仍然存在一些问题。通过信息融合后，单维数据信息扩展成了多维数据信息，而这些数据中存在互相关和冗余信息，直接将其作为模型的输入容易引发维度灾难，进一步导致诊断性能和计算效率下降。所以需要考虑将多信号融合后的高维数据转换为新的表达形式，并且对这些数据进行有效地降维，避免破坏数据结构，导致特征信息丢失，以至于影响模型的识别准确率与故障识别精度。
[0004]张量投影层(TensorProjection Layer,TPL)是一种可变维度的降维层，它的实现方式类似于多向主分量分析(Multiwayprincipal componentanalysis，简称MPCA)，在对高阶张量数据结构进行维度减小时，不会将张量展开成向量，保留了原始数据结构，避免破坏张量内部信息，保留了原始特征信息。基于张量投影层的优势，利用张量投影层取代深度卷积神经网络中的池化层，搭建了深度张量投影网络。
[0005]因此，有必要利用多源信息融合来构造深度张量投影网络故障诊断模型，利用张量投影层取代深度卷积神经网络中的池化层。

技术实现思路

[0006]为了解决将直接将多源信息融合的多维数据作为模型的输入容易引发维度灾难而导致诊断性能下降的问题，本专利技术提出了一种多源信息融合构造深度张量投影网络的机械故障诊断方法，利用多信息融合构造三阶张量的方式，并与深度张量投影网络结合构建机械智能故障诊断模型，进行实验论证，以达到高精度、高效率地识别机械装备状态。
[0007]本专利技术采用以下技术方案实现上述目的。一种多源信息融合构造深度张量投影网络的机械故障诊断方法，具体步骤如下：
[0008]1)信号的采集与样本划分：把采集到的振动信号划分成多个等长的信号样本；
[0009]2)多源信息融合构造张量数据集：将划分好的所述信号样本利用同步提取变换，得到各样本的时频图，再将时频图转换为灰度图像，然后将同类故障的不同信号特征的时频图进行特征融合，最终构造时间
×
频率
×
源信息数的三阶张量数据集；
[0010]3)将构造好的所述张量数据集按照8︰2的比例分为训练样本集与测试样本集；
[0011]4)建立深度张量投影网络故障诊断模型，设置网络参数，其过程如下：
[0012](1)通过张量投影层取代深度卷积神经网络中的池化层，由卷积层和张量投影层交替堆叠搭建深度张量投影网络；
[0013](2)设置迭代次数N、卷积层中卷积核的大小(m,n)、步长和张量投影层的输出张量维数，将数据集中的训练样本集放入深度张量投影网络故障诊断模型中进行训练，最后，通过测试集测试模型效果；
[0014](3)在深度张量投影网络中，输入的n个张量通过卷积层后输出大小为维数p1×
p2×
p3的然后输出的通过张量投影层后输出大小为维数q1×
q2×
q3的并且q≤p，即：
[0015][0016]式中：
×
k
,k＝1,2,3表示k模积；U1,U2,U3是大小为p
k
×
q
k
的正交矩阵，并且有
[0017]在寻找网络模型最优参数过程中，需要通过对损失函数L与权重w求偏导得到最小损失函数，即：
[0018][0019]通过不断更新损失函数，得到模型最优参数；
[0020]5)利用步骤3)中所述训练样本集对步骤4)中构建的所述深度张量投影网络故障诊断模型进行训练，并由测试集验证模型，形成最终诊断模型。
[0021]本专利技术通过多源信息融合和深度张量投影网络相结合构造机械智能故障诊断模型，通过同步提取变换获得原始信号时频特征，再利用多源信息融合技术将不同故障特征进行融合从而构造三阶张量，最后利用深度张量投影网络对高阶张量样本进行降维、特征提取实现故障的分类。所提出的方法不仅可以更完整地提取出特征信息，还可以不但可以有效地保留故障特征信息和识别故障，模型更加精确，在机械故障诊断中具有广阔的前景，能够克服多源信息融合成的多维数据引起维度灾难的不足以及能够有效且全面地提取故障特征信息，在机械故障智能诊断中具有广阔的应用前景。
附图说明
[0022]图1是本专利技术的模型流程图；
[0023]图中：101.信号采样与样本划分，102.样本Ⅰ，103.样本Ⅱ，104.样本n，105.同步提取变换与多源信息特征融合，106.故障诊断，107.深度张量投影网络；
[0024]图2是本专利技术中三阶张量构造的流程图；
[0025]图中：201.源信号Ⅰ，202.源信号Ⅱ，203.同步提取变换，204.时频特征融合，205.三阶张量X；
[0026]图3是深度卷积神经网络结构；
[0027]图中：301.输入层，302.卷积层Ⅰ，303.池化层Ⅰ，304.卷积层Ⅱ，305.池化层Ⅱ，
306.全连接，307输出层，308.分类器层；
[0028]图4是本专利技术中深度张量网络图；
[0029]图中：401.输入层，402.第一卷积层，403.第一张量投影层，404.第二卷积层，405.第二张量投影层，406.铺平层，407.第一全连接层，408.第二全连接层，409.输出层；
[0030]图5a是本专利技术得到的准确率曲线图；
[0031]图中：1.训练集准确率曲线；2.测试集准确率曲线；
[0032]图5b是本专利技术中得到多源信息融合构造深度张量投影网络故障诊断模型的损失函数曲线图；
[0033]图中：1.训练集损失函数曲线；2.测试集损失函数曲线；
[0034]图6a是本专利技术中第一个卷积层提取的故障特征图；
[0035]图6b是本专利技术中第一个张量投影层提取的故障特征图；
[0036]图6c是本专利技术中第二个卷积层提取的故障特征图；
[0037]图6d是本专利技术中第二个张量投影层提取的故障特征图。
具体实施方式
[0038]以下结合附图和实施例对本专利技术作进一步说明。参见图1至图6d。由于多源信息融合方法能够稳定、更广泛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源信息融合构造深度张量投影网络的机械故障诊断方法，其特征在于，具体步骤如下：1)信号的采集与样本划分：把采集到的振动信号划分成多个等长的信号样本；2)多源信息融合构造张量数据集：将划分好的所述信号样本利用同步提取变换，得到各样本的时频图，再将时频图转换为灰度图像，然后将同类故障的不同信号特征的时频图进行特征融合，最终构造时间
×
频率
×
源信息数的三阶张量数据集；3)将构造好的所述张量数据集按照8︰2的比例分为训练样本集与测试样本集；4)建立深度张量投影网络故障诊断模型，设置网络参数，其过程如下：(1)通过张量投影层取代深度卷积神经网络中的池化层，由卷积层和张量投影层交替堆叠搭建深度张量投影网络；(2)设置迭代次数N、卷积层中卷积核的大小(m,n)、步长和张量投影层的输出张量维数，将数据集中的训练样本集放入深度张量投影网络故障诊断模型中进行训练，最后，通过测试集测试模型效果；(3)...

【专利技术属性】
技术研发人员：李志农，黄文静，龙盛蓉，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：