1.一种基于多尺度残差卷积变分网络故障诊断方法,其特征在于,包括如下步骤:S10:获取针对机械设备不同传递系统故障的加速度数据x(N),N是采集数据的总长度,并随机划分为训练样本和测试样本;
S20:由至少3个残差卷积变分模块并行学习串接,对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量,并采用分类模块对总的特征向量进行故障分类,形成多尺度残差卷积变分网络模型,其中,对多尺度残差卷积变分网络模型的初始参数进行设置;
S30:采用所述训练样本对多尺度残差卷积变分网络模型进行训练,实现小样本数据下多尺度、深层次的故障特征学习,并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型,以实现对机械设备运行状态的自动辨别和智能诊断;
其中,在步骤S10中随机划分训练样本和测试样本包括:
假设给定一个长度为L的滑移窗函数,采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x1(n)和测试样本x2(n),其中n是每个样本的数据长度,训练样本和测试样本的个数均为m/2,其中m可由以下公式计算得到:式中,N为采集的原始加速度数据总长度,L为滑移窗函数的长度,s为滑移窗函数的移动步长, 为向下取整运算;
其中,在步骤S20中,所述残差卷积变分模块包括:
3个残差模块,3个残差模块依次串接,每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加,获得残差模块的输出结果F(x)+x;
其中,第1个残差模块的输出作为第1残差模块的输入,第2残差模块的输出作为第3个残差模块的输入;
重采模块,所述重采样模块通过重参数技巧对第3个残差模块的输出结果F3(x)+x3进行平整化处理和重参数采样计算,获得有用的潜在特征z;
卷积模块,由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成,配置为用于对潜在特征z进行更深入地处理,获得更具代表性的故障信息;
其中,在步骤S20中,所述分类模块采用Softmax函数,其计算公式为:式中,pi表示第i类故障样本被正确识别的概率,zi表示第i个网络节点的输出值,C为故障样本的类别数量;
其中,在步骤S20中,多尺度残差卷积变分网络模型的初始参数包括:初始化最大进化次数M、学习率η和批量大小S;
其中,在步骤S30中,采用所述训练样本对多尺度残差卷积变分网络模型进行训练还包括:通过adam算法对多尺度残差卷积变分网络模型的网络参数进行迭代更新,包括如下过程:t←t+1
mt←β1mt‑1+(1‑β1)gt
式中,t为时间步长,gt为随机目标梯度,为梯度运算,ft(θt‑1)为随机目标函数,θ为随机参数,mt和νt分别为一阶动量和二阶动量, 和 分别表示经过偏差校正后的一阶动量和二阶动量,β1,β2和ε均是网络模型的超参数,η为初始学习率。
2.一种基于多尺度残差卷积变分网络故障诊断系统,其特征在于,包括:数据获取装置,配置为获取针对机械设备不同传递系统故障的加速度数据x(N),N是采集数据的总长度,并随机划分为训练样本和测试样本;
模型获取装置,配置为由至少3个残差卷积变分模块并行学习串接,对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量,并采用分类模块对总的特征向量进行故障分类,形成多尺度残差卷积变分网络模型,其中,对多尺度残差卷积变分网络模型的初始参数进行设置;
故障诊断装置,配置为采用所述训练样本对多尺度残差卷积变分网络模型进行训练,实现小样本数据下多尺度、深层次的故障特征学习,并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型,以实现对机械设备运行状态的自动辨别和智能诊断;
训练装置,配置为假设给定一个长度为L的滑移窗函数,采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x1(n)和测试样本x2(n),其中n是每个样本的数据长度,训练样本和测试样本的个数均为m/2,其中m可由以下公式计算得到:式中,N为采集的原始加速度数据总长度,L为滑移窗函数的长度,s为滑移窗函数的移动步长, 为向下取整运算;
其中,所述残差卷积变分模块包括:
3个残差模块,3个残差模块依次串接,每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加,获得残差模块的输出结果F(x)+x;
其中,第1个残差模块的输出作为第2残差模块的输入,第2残差模块的输出作为第3个残差模块的输入;
重采模块,所述重采样模块通过重参数技巧对第3个残差模块的输出结果F3(x)+x3进行平整化处理和重参数采样计算,获得有用的潜在特征z;
卷积模块,由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成,配置为用于对潜在特征z进行更深入地处理,获得更具代表性的故障信息;
其中,所述分类模块采用Softmax函数,其计算公式为:
式中,pi表示第i类故障样本被正确识别的概率,zi表示第i个网络节点的输出值,C为故障样本的类别数量;
其中,多尺度残差卷积变分网络模型的初始参数包括:初始化最大进化次数M、学习率η和批量大小S;
其中,采用所述训练样本对多尺度残差卷积变分网络模型进行训练还包括:通过adam算法对多尺度残差卷积变分网络模型的网络参数进行迭代更新,包括如下过程:t←t+1
mt←β1mt‑1+(1‑β1)gt
式中,t为时间步长,gt为随机目标梯度,为梯度运算,ft(θt‑1)为随机目标函数,θ为随机参数,mt和νt分别为一阶动量和二阶动量, 和 分别表示经过偏差校正后的一阶动量和二阶动量,β1,β2和ε均是网络模型的超参数,η为初始学习率。