【技术实现步骤摘要】
本专利技术涉及了一种复杂装备关键零件故障诊断方法，尤其是涉及了一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法。
技术介绍
1、复杂装备关键零件如轴承、齿轮、电机等在现代工业中应用十分广泛。然而，许多零件在恶劣的环境下工作，它们不可避免地会发生故障，并导致事故和经济损失。故障诊断在现代工业中起到至关重要的作用，对复杂装备关键零件进行准确的故障诊断，不仅可以发现早期故障征兆、便于安排复杂装备维护保养、缩短其维修周期、延长使用时间，还可以预防重大事故、保障人身安全、节省运维成本。
2、故障诊断方法包括基于模型的方法、基于信号处理的方法和数据驱动的方法。数据驱动的故障诊断方法已成为学术界和工业界的研究热点。数据驱动的故障诊断方法分为基于传统机器学习的故障诊断方法和基于深度学习的故障诊断方法。基于传统机器学习的故障诊断方法大多采用人工神经网络(ann)、支持向量机(svm)、k最邻近(knn)算法、决策树等，这些方法提取特征需要很大人力成本，且泛化性较差，无法适用于日益增长的数据，从而降低了诊断的准确性。基于深度学习的故障诊断方法克服了基于传统机器学习的故障诊断方法的不足，大多采用卷积神经网络(cnn)、循环神经网络(rnn)、自编码器(ae)、深度置信网络(dbn)等。
3、然而，由于工作环境恶劣且复杂，从许多复杂装备关键零件采集的振动信号通常含有大量噪声。在处理噪声信号时，由于噪声的干扰，有价值的故障特征容易被噪声淹没，深度学习的特征提取能力往往会下降，可能无法很好地学习故障相关的特征，导致故障诊断准确
4、综上所述，提出一种适用于噪声环境下的复杂装备关键零件故障诊断方法是非常重要的。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术提出了一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法。
2、本专利技术采用的技术方案如下：
3、一、一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法
4、s1：通过传感器获取复杂装备关键零件运行过程的初始振动信号；
5、s2：对初始振动信号进行数据预处理后，获得训练集和验证集的样本，由训练集和验证集的样本以及对应的故障类型组成训练集和验证集；
6、s3：构建非负铰链收缩网络；
7、s4：通过训练集和验证集对非负铰链收缩网络进行训练后，获得复杂装备关键零件故障诊断模型；
8、s5：将待检测关键零件的振动信号预处理后，获得测试样本并输入到复杂装备关键零件故障诊断模型中，模型输出当前零件的故障类型。
9、所述s3中，非负铰链收缩网络包括依次相连的宽核卷积层、多个非负铰链收缩构建单元、第一批归一化层、第一激活函数模块、第一全局平均池化层和第一全连接层，非负铰链收缩网络的输入作为宽核卷积层的输入，第一全连接层的输出作为非负铰链收缩网络的输出。
10、所述非负铰链收缩构建单元包括阈值模块、非负铰链收缩函数计算单元、批归一化层、激活函数模块和卷积层；非负铰链收缩构建单元的输入同时作为阈值模块和非负铰链收缩函数计算单元的输入，阈值模块与非负铰链收缩函数计算单元相连，非负铰链收缩函数计算单元的输出依次经过第二批归一化层、第二激活函数模块、第一卷积层、第三批归一化层、第三激活函数模块和第二卷积层；将非负铰链收缩构建单元输入的恒等映射与第二卷积层的输出进行逐元素相加，作为非负铰链收缩构建单元的输出。
11、所述非负铰链收缩函数计算单元中，非负铰链收缩函数的公式如下：
12、
13、其中，λ为可学习的阈值，x1和y1分别为非负铰链收缩函数的输入和输出特征元素，||为取绝对值。
14、所述阈值模块包括宽核逐通道卷积层、批归一化层、激活函数模块和绝对值运算，阈值模块的输入作为第一宽核逐通道卷积层的输入，第一宽核逐通道卷积层的输出依次经过第四批归一化层、第四激活函数模块和第二宽核逐通道卷积层，对第二宽核逐通道卷积层的输出进行绝对值运算后作为阈值模块的输出。
15、所述激活函数模块是自适应swish激活函数模块，包括max(x2,0)函数层、min(x2,0)函数层、全局平均池化层、全连接层、批归一化层、relu激活函数、sigmoid激活函数和swish激活函数；激活函数模块的输入同时作为max(x2,0)函数层和min(x2,0)函数层的输入，max(x2,0)函数层与第二全局平均池化层相连，min(x2,0)函数层与第三全局平均池化层相连，第二全局平均池化层和第三全局平均池化层的输出拼接后再输入到第二全连接层中，第二全连接层的输出依次经过第五批归一化层、relu激活函数、第三全连接层、第六批归一化层和sigmoid激活函数后乘1.5，接着通过swish激活函数对激活函数模块的输入与1.5倍的sigmoid激活函数输出进行处理后再作为自适应swish激活函数模块的输出；swish激活函数的公式如下：
16、
17、其中，β是swish激活函数中的可学习参数，在自适应swish激活函数模块中，1.5倍的sigmoid激活函数输出与激活函数模块输入特征通道一一对应，β是1.5倍的sigmoid激活函数输出元素；x2和y2分别为swish激活函数的输入和输出，在激活函数模块中，x2和y2分别为该模块的输入和输出特征元素；sigmoid()为sigmoid激活函数。
18、二、一种计算机设备
19、所述设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
20、三、一种计算机可读存储介质
21、所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
22、四、一种计算机程序产品
23、所述产品包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述方法的步骤。
24、本专利技术的有益效果是：
25、1)本专利技术通过将小波阈值降噪方法与深度学习方法结合，提出了一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法，其核心是非负铰链收缩构建单元和自适应swish激活函数模块，降低了噪声对特征学习的影响，提高了在噪声环境下复杂装备关键零件故障诊断的准确率。
26、2)本专利技术通过将小波阈值降噪方法中的非负铰链收缩函数引入深度残差网络的残差块中，提出了非负铰链收缩网络。在非负铰链收缩构建单元中，通过阈值模块来动态推断该函数的可学习阈值λ，使不同的样本通过该模块得到不同的阈值。非负铰链收缩函数克服了软阈值函数和硬阈值函数的不足，且可学习的参数只有一个，减小了模型的参数量和计算量。与深度残差收缩网络(drsn)及其一系列改进模型相比，残差块中阈值模块的位置更靠近输入端，能更早实现降噪；阈值模块中采用宽核逐通道卷积层，增大感受野，能实现逐元素抑制噪声而不是逐通道抑制噪声，能更精细地实现降噪。
27本文档来自技高网...
【技术保护点】
1.一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述S3中，非负铰链收缩网络包括依次相连的宽核卷积层、多个非负铰链收缩构建单元、第一批归一化层、第一激活函数模块、第一全局平均池化层和第一全连接层，非负铰链收缩网络的输入作为宽核卷积层的输入，第一全连接层的输出作为非负铰链收缩网络的输出。
3.根据权利要求2所述的一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法，其特征在于，所述非负铰链收缩构建单元包括阈值模块、非负铰链收缩函数计算单元、批归一化层、激活函数模块和卷积层；非负铰链收缩构建单元的输入同时作为阈值模块和非负铰链收缩函数计算单元的输入，阈值模块与非负铰链收缩函数计算单元相连，非负铰链收缩函数计算单元的输出依次经过第二批归一化层、第二激活函数模块、第一卷积层、第三批归一化层、第三激活函数模块和第二卷积层；将非负铰链收缩构建单元输入的恒等映射与第二卷积层的输出进行逐元素相加，作为非负铰链收缩构建单元的输出。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。