【技术实现步骤摘要】
本专利技术涉及一种机械故障诊断，特别是关于一种基于多输出的深度神经网络复合故障诊断方法及系统。
技术介绍
1、目前大部分设备故障诊断研究主要集中在设备中发生单故障的场景。所谓单故障，主要是指在设备中的一个零件的一个位置发生了一种类型的故障，比如一个轴承内圈的某一个位置发生点蚀故障，或者一个齿轮某一个轮齿发生了断齿的故障。但是，复合故障也是一种多发故障，其损坏于危险程度更大，需要更多的关注，从而避免带来更大的经济损失以及危害。
2、现有的复合故障的诊断已经有很多采用深度神经网络的方案。但是，这些方案都存在着复合故障组合数目巨大，而且训练模型的数据收集面临巨大挑战，无法在实际中应用，故还没有较好的方案来实现复合故障的诊断。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种基于多输出的深度神经网络复合故障诊断方法及系统，其能提高模型训练的效率，降低对复合故障数据的需求，以实现能应用于实际中的复合故障诊断。
2、为实现上述目的，第一方面，本专利技术采取的技术方案为：一种基于多输出的深度神经网络复合故障诊断方法，其包括：将传感器采集到的设备状态数据经过预处理后，传输至深度神经网络，进行故障特征提取；通过全局平均/或最大池化对提取到的特征图进行平均/或最大池化，将特征图转化为用于表征设备运行状态的全局特征；将全局特征进行复合故障分解及诊断，以使经全连接层后的每个输出对应一个机械设备的单故障类型。
3、进一步，将全局特征进行复合故障分解及诊断，包括：
4、进一步，将全局特征进行复合故障分解及诊断，包括：采用多输出形式的深度神经网络，该深度神经网络中采用两层全连接层，将全局特征输入第一层全连接层中；由第一层全连接层从全局特征中提取与当前输出分支故障相关的特征；由第二层全连接层从第一层全连接层中进一步提取与当前输出分支故障相关的特征，以输出故障诊断结果；其中，第二层全连接层包括多个独立的全连接输出分支，每个输出分支对应一种故障类型。
5、进一步，在第一层全连接层中对神经网络内核参数加入l1、l2、或l1_l2正则化约束。
6、进一步，在最后一层的全连接层中，对神经网络内核参数加入l1、l2、或l1_l2正则化约束，以控制全连接层从全局平均/或最大池化层学习到的全局特征数目，防止过拟合。
7、进一步，在最后一层的全连接层中，激活函数采用sigmoid。
8、进一步，当深度神经网络的激活函数采用leakyrelu或prelu激活函数时，在最后一层的全连接层中，施加权重约束–权重非负约束。
9、第二方面，本专利技术采取的技术方案为：一种基于多输出的深度神经网络复合故障诊断系统，其包括：故障特征提取模块，将传感器采集到的设备状态数据经过预处理后，传输至深度神经网络，进行故障特征提取；全局特征模块，通过全局平均/或最大池化对提取到的特征图进行平均/或最大池化，将特征图转化为用于表征设备运行状态的全局特征；复合故障分解诊断模块，将全局特征进行复合故障分解及诊断，以使经全连接层后的每个输出对应一个机械设备的单故障类型。
10、第三方面，本专利技术采取的技术方案为：一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
11、第四方面，本专利技术采取的技术方案为：一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
12、本专利技术由于采取以上技术方案，其具有以下优点：
13、1、本专利技术能够实现对机械设备的运行状态进行准确的诊断，在系统中存在着多个故障时，能够将其分解诊断为多个单独的故障。
14、2、本专利技术对模型的训练，只需要使用单故障数据，而不再需要收集大量不同单故障组成的各种复合故障的数据，极大的提高了模型训练的效率，降低了对复合故障数据的需求，使得复合故障的诊断成为可能。
15、3、与现有技术中的方案相比，本专利技术只需要单故障的数据即可完成复合故障模型的训练，并能够实现已知单故障的所有组合形式的组合故障的诊断。
本文档来自技高网...【技术保护点】
1.一种基于多输出的深度神经网络复合故障诊断方法，其特征在于，包括：
2.如权利要求1所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，将全局特征进行复合故障分解及诊断，包括：
3.如权利要求1所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，将全局特征进行复合故障分解及诊断，包括：
4.如权利要求3所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，在第一层全连接层中对神经网络内核参数加入L1、L2、或L1_L2正则化约束。
5.如权利要求2或3所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，在最后一层的全连接层中，对神经网络内核参数加入L1、L2、或L1_L2正则化约束，以控制全连接层从全局平均/或最大池化层学习到的全局特征数目，防止过拟合。
6.如权利要求2或3所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，在最后一层的全连接层中，激活函数采用sigmoid。
7.如权利要求6所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，当深度神经网络的激活函数采用
8.一种基于多输出的深度神经网络复合故障诊断系统，其特征在于，包括：
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种基于多输出的深度神经网络复合故障诊断方法，其特征在于，包括：
2.如权利要求1所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，将全局特征进行复合故障分解及诊断，包括：
3.如权利要求1所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，将全局特征进行复合故障分解及诊断，包括：
4.如权利要求3所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，在第一层全连接层中对神经网络内核参数加入l1、l2、或l1_l2正则化约束。
5.如权利要求2或3所述基于多输出的深度神经网络复合故障诊断方法，其特征在于，在最后一层的全连接层中，对神经网络内核参数加入l1、l2、或l1_l2正则化约束，以控制全连接层从全局平均/或最大池化层学习到的全局特征数目，防止过拟合。
6.如权利要求2或3所述基于多输出的深度神经网络复合...
【专利技术属性】
技术研发人员：米洁，张健，甄真，毛荣珍，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：
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。