CN115391955B 基于多尺度成分分析的机械故障诊断方法 （西安交通大学）

本发明公开了一种基于多尺度成分分析的种故障类型的机械振动信号y；建立多尺度成分度编码为j,将其输入后续的池化层与多层感知机作为分类器hθ,完成故障智能诊断网络的搭2按照固定信号长度划分为相互不重叠的预定比例的训练数据集ynmn和测试数据集ya，;Dn为第m尺度的第l层的卷积编码字典，表示第m尺度从第l层2.根据权利要求1所述的方法，其中，第一步骤中，所述机械振动信号yeR"分解为,3,,其中为与D,D.,同维度的单位矩阵；soft,()为软阈值函数，其表达式为soft,()=max(-T,0)sign()，sign()为符号函数，T为阈值，在第m尺度第l层中，,为近端梯度映射算法每一步迭代的步长，为数据保真项与稀疏乘用转置卷积神经网络层来实现，与向量相第六步骤中，可视化输入信号经过多尺度成分分析网络编码后4,并查看Dnas中的等效卷积核即原子特征，分析其与信号故障特征是否具有一致性，5[0002]由于机械设备的故障会对系统造成严重的损害，并导致巨大的非计划性维护费乏对可解释性模型更全面的挖掘。将模型的优化求解算法沿迭代维度展开构成的展开网6y，并将其按照固定信号长度划分为相互不重叠的预定比例的训练数据集Ytrain和测试数据成分分析模型，并将优化求解算法展开为多尺度成分分析网络，拼接多尺度编码为j,在编1...Dm，L表示第m尺度从第l层到最深的第L层的卷积编码字典相乘得到的等效卷积字典；为权衡不同项的贡献的权重参数。为了简便起见，这里设表示L27[0022]初始化各尺度各层稀疏编码对于vme[l,M],vle[1,L]:8对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，[0040]图1是本发明一个实施例的基于多尺度成分分析的机械故障诊断方法的步骤示意[0043]图4是本发明一个实施例的基于多尺度成分分析算法展开的机械故障可解释智能[0044]图5是本发明一个实施例的基于多尺度成分分析的机械故障诊断方法与其他方法[0045]图6(a)至图6(b)是本发明一个实施例的基于多尺度成分分析的机械故障诊断方9[0046]图7是本发明一个实施例的基于多尺度成分分析的机械故障诊断方法与其他方法[0047]图8(a)至图8(f)是本发明一个实施例的基于多尺度成分分析的机械故障诊断方[0048]图9是本发明一个实施例的基于多尺度成分分析的机械故障诊断方法学习到的原[0053]为了更好地理解，图1是本发明一个实施例的基于多尺度成分分析的机械故障诊y，并将其按照固定信号长度划分为相互不重叠的预定比例的训练数据集Ytrain和测试数据成分分析模型，并将优化求解算法展开为多尺度成分分析网络，拼接多尺度编码为j,在编1...Dm，L表示第m尺度从第l层到最深的第L层的卷积编码字典相乘得到的等效卷积字典；度的深层稀疏编码jne通过各层编码字典重构输入信号y的特征；其余项为保证各尺度各层编码均为稀疏的稀疏正则项。[0068]初始化各尺度各层稀疏编码对于vme[1,M],vle[1,L]:m，l为近端梯度映射算法每一步迭代的步长，度划分为相互不重叠的预定比例的训练数据集Ytrain和测试数据集Y法展开为多尺度成分分析网络，拼接多尺度编码为j,在编码网络后连接池化层与多层感知[0088]S6：可视化输入信号经过多尺度的智能故障诊断网络的结构是由结合了形态成分分析与多尺度思想的多尺度成分分析模[0090]图2是千鹏齿轮实验台的示意图，该试验系统主要由变速驱动电机、平行轴齿轮0.5mm深度多齿均匀磨损)的数据被采后，使用窗长为1024个点的窗以0.7的滑窗比对信号进行截取，得到各故障类别的数据样看到所提出的方法(MCAN)虽然一定程度上增加了测试时间，但能够实现最高的分类精度，优于其他展开网络方法以及流行的深度神经网络方法。对比方法对噪声干扰的抵抗能力，