一种基于先验小波组策略融合的旋转机械故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905955A(43)申请公布日2023.04.04(21)申请号202211535293.4(22)申请日2022.11.30(71)申请人河海大学地址210024江苏省南京市鼓楼区西康路1号(72)发明人刘立陈建杭韩光洁(74)专利代理机构北京中济纬天专利代理有限公司11429专利代理师丁燕华(51)Int.Cl.G06F18/241(2023.01)G06F18/25(2023.01)G06F18/214(2023.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于先验小波组策略融合的旋转机械故障诊断方法(57)摘要本发明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。CN115905955ACN115905955A权利要求书1/2页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1‑1的输出输入到阈值学习网络学习阈值；阈值学习网络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；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：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；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。3.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2的具体步骤如下：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2CN115905955A权利要求书2/2页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；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；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