一种基于深度置信网络自适应优化的机械故障诊断方法技术

本发明专利技术提供一种基于深度置信网络自适应优化的机械故障诊断方法，包括数据预处理，还包括以下步骤：构建训练数据集和测试数据集，并根据故障严重程度对其贴标签；将训练数据集作为深度置信网络的输入，采用麻雀搜索算法对原始深度置信网络模型参数进行搜索寻优获取运算结果；基于麻雀搜索算法的运算结果自适应优化深度置信网络参数，得到经过麻雀搜索算法优化的深度置信网络模型；利用优化后的深度置信网络建立故障诊断模型；将测试数据集中的测试数据输入故障诊断模型，并获取结果

【技术实现步骤摘要】
一种基于深度置信网络自适应优化的机械故障诊断方法


[0001]本专利技术涉及机械故障诊断领域的
，特别是基于深度置信网络自适应优化的机械故障诊断方法
。

技术介绍

[0002](Support Vector Machine
，
SVM)、BP(Back
‑
Propagation)
神经网络
、K
最邻近分类算法
(KNN)
等
。
但
SVM
难以解决大规模的训练样本以及多分类问题；而
KNN
虽然能够解决多分类问题，但其计算复杂度
、
空间复杂度高；
BP
神经网络则存在过度拟合
、
复杂的参数调整
、
计算能力受限等问题；除此之外，上述方法主要基于浅层学习，在故障模式的分类识别中得到了广泛的应用，但其故障诊断结果的准确性依赖于人工特征提取的优劣，在处理数据时会产生庞大的工作量，降低故障诊断效率
。
[0003]深度学习作为机器学习的延伸和发展，能够自主地逐层学习更深层的非线性特征表示，具有强大的特征自提取能力与非线性映射能力，解决了浅层学习模型的诊断率低和敏感性不足的问题
。
深度置信网络
(Deep Belief Network
，
DBN)
是
Hinton
最早提出的一种经典的深度学习模型，可以自动地从输入数据中学习不同的特征表达方式，最后实现准确的预测与分类，其具有强大的分层学习特征的能力，提取到有利于分类的特征信息，是一种强大的特征提取与学习的模型结构
。
但在
DBN
的构建和学习过程中，依然需要依靠经验信息，人工调节网络的参数，如学习率和批量学习个数等
。
[0004]麻雀搜索算法
(Sparrow Search Algorithm
，
SSA)
主要受麻雀的筑巢
、
觅食行为和反捕食行为的启发而提出，在优化性能方面具有收敛速度快
、
寻优能力强
、
稳定性好的优点；并且网络结构具备自适应性，可以实现自我优化，不易陷入局部最优解；利用其优化
DBN
可以改善人工调节网络参数的问题
。
[0005]公开号为
CN 115099348A
的专利技术专利申请公开了基于麻雀搜索法优化深度置信网络的变压器故障诊断方法，包括：首先对采集的特征气体数据进行预处理，确定深度置信网络模型的隐含层层数
、
学习率等，构建深度置信网络模型；利用麻雀搜索法对深度置信网络的隐含层节点数
、
迭代次数进行寻优，将麻雀种群矩阵转换为深度置信网络待优化问题矩阵，根据麻雀的觅食和反捕食行为更新麻雀个体的位置，最终获得更适合深度置信网络模型的隐含层节点数和迭代次数
。
该方法主要解决计算深度置信网络模型的隐含层节点数和迭代次数，其缺点是未能解决自适应提取和区分抽象的深度特征
。

技术实现思路

[0006]为了解决上述的技术问题，本专利技术提出了一种基于深度置信网络自适应优化的机械故障诊断方法，利用麻雀搜索算法优越的探测能力
、
搜索精度和搜索效率，降低了人为干扰和超参数随机选择带来的诊断不确定性，能够自适应地提取和区分抽象的深度特征
。
[0007]本专利技术提供一种基于深度置信网络自适应优化的机械故障诊断方法，包括数据预处理，还包括以下步骤：
[0008]步骤1：构建训练数据集和测试数据集，并根据故障严重程度对训练数据集进行贴标签；
[0009]步骤2：将所述训练数据集作为深度置信网络的输入，采用麻雀搜索算法对原始深度置信网络模型参数进行搜索寻优获取运算结果；
[0010]步骤3：基于麻雀搜索算法的运算结果优化深度置信网络参数，得到经过麻雀搜索算法优化的深度置信网络模型；
[0011]步骤4：利用优化后的深度置信网络建立故障诊断模型；
[0012]步骤5：将所述测试数据集中的测试数据输入所述故障诊断模型，并获取结果
。
[0013]优选的是，所述数据预处理包括以下子步骤：
[0014]步骤
01
：以不同故障程度的信号作为原始数据，对数据进行处理，得到特征向量
[0015]步骤
02
：进行特征提取
。
[0016]在上述任一方案中优选的是，所述步骤2包括以下子步骤：
[0017]步骤
201
：初始化麻雀搜索算法的参数，包括种群个数
n、
发现者
、
警戒者
、
最大迭代次数
itermax
和报警值
R2，其中，
R2∈(0,1]；
[0018]步骤
202
：构建所述麻雀筑巢区域
[0019][0020]R
＝
1―t/T
max
[0021]其中，
X
*
为当前局部最佳位置，
Lb
和
Ub
表示最大迭代，
T
max
表示最大迭代次数，
Lb
*
和
Ub
*
分别为所述筑巢区域的下界和上界；
[0022]步骤
203
：更新巢穴位置
[0023]B
i
(t+1)
＝
X
*
+b1×
(B
i
(t)―Lb
*
)+b2×
(B
i
(t)―Ub
*
)
[0024]其中，
B
i
(t)
为第
t
次迭代时第
i
个巢穴的位置，
b1和
b2表示大小为1×
D
的两个独立随机变量，
D
表示优化问题的维数；
[0025]步骤
204
：选择最佳觅食区域
[0026][0027]其中，
X
b
表示全局最佳觅食位置；
Lb
b
和
Ub
b
分别为最佳觅食区域的下界和上界；
[0028]步骤
205
：以深度置信网络的学习率
α
和批量学习个数
β
作为搜索变量
X[
α
，
β
]，设置搜索间隔的上下限，采用深度置信网络的均方根误差作为麻雀搜索算法的适应度函数；
[0029]步骤
206
：子代麻雀位置更新...

【技术保护点】

【技术特征摘要】
1.
一种基于深度置信网络自适应优化的机械故障诊断方法，包括数据预处理，其特征在于，还包括以下步骤：步骤1：构建训练数据集和测试数据集，并根据故障严重程度对其贴标签步骤2：将所述训练数据集作为深度置信网络的输入，构建麻雀筑巢区域和觅食区，采用麻雀搜索算法对原始深度置信网络模型参数进行搜索寻优获取运算结果；步骤3：基于麻雀搜索算法的运算结果自适应优化深度置信网络参数，得到经过麻雀搜索算法优化的深度置信网络模型；步骤4：利用优化后的深度置信网络建立故障诊断模型；步骤5：将所述测试数据集中的测试数据输入所述故障诊断模型，并获取结果
。2.
如权利要求1所述的基于深度置信网络自适应优化的机械故障诊断方法，其特征在于，所述步骤2包括以下子步骤：步骤
201
：初始化麻雀搜索算法的参数，包括种群个数
n、
发现者
、
警戒者
、
最大迭代次数
iter
max
和报警值
R2，其中，
R2∈(0
，
1]
；步骤
202
：构建所述麻雀筑巢区域
R
＝1‑
t/T
max
其中，
X
*
为当前局部最佳位置，
Lb
和
Ub
表示最大迭代，
T
max
表示最大迭代次数，
Lb
*
和
Ub
*
分别为所述筑巢区域的下界和上界；步骤
203
：更新巢穴位置
B
i
(t+1)
＝
X
*
+b1×
(B
i
(t)
‑
Lb
*
)+b2×
(B
i
(t)
‑
Ub
*
)
其中，
B
i
(t)
为第
t
次迭代时第
i
个巢穴的位置，
b1和
b2表示大小为1×
D
的两个独立随机变量，
D
表示优化问题的维数；步骤
204
：选择最佳觅食区域其中，
X
b
表示全局最佳觅食位置，
Lb
b
和
Ub
b
分别为最佳觅食区域的下界和上界；步骤
205
：以深度置信网络的学习率
α
和批量学习个数
β
作为搜索变量
X[
α
，
β
]
，设置搜索间隔的上下限，采用深度置信网络的均方根误差作为麻雀搜索算法的适应度函数；步骤
206
：子代麻雀位置更新
x
j
(t+1)
＝
x
j
(t)+C1×
(x
j
(t)
‑
Lb
b
)+C2×
(x
j
(t)
‑
Ub
b
)
其中，
x
j
(t)
表示第
t
次迭代时第
j
只子代麻雀的位置信息，
C1～
N(0
，
1)
，
C2为1×
D
的属于
(0
，
1)
之间的随机向量；步骤
207
：捕食者位置更新
|x
k
(t+1)
＝
X
b
+S
×
g
×
(|x
k
(t)
‑
X
*
|+|x
k
(t)
‑
X
b
|)
其中，
x
k
(t)
表示第
k
个捕食者在第
t
次迭代时的位置信息，
g
是一个大小为1×
D
维的随机向量，
S
表示恒定值；步骤
208
：计算每只麻雀的适应度值并对其进行排序，标记当前具有最佳位置
X
best
和最
差位置
X
worst
的个体；步骤
209
：判断当前迭代次数
t
是...

【专利技术属性】
技术研发人员：刘鹏鹏，徐东，黄金娥，王大翊，
申请(专利权)人：中国人民解放军，
类型：发明
国别省市：