申请/专利权人：天津工业大学

申请日：2020-09-28

公开（公告）日：2024-04-19

公开（公告）号：CN112132102B

主分类号：G06F18/24

分类号：G06F18/24;G06N3/006;G06N3/0455;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.01.12#实质审查的生效;2020.12.25#公开

摘要：本发明公开了一种深度神经网络结合人工蜂群优化的智能故障诊断方法，包括以下步骤：提出一种用于振动信号的数据扩充策略、设计深度无损非负约束稀疏自编码器模型、利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。本发明能够增加缺失样本容量减小样本不平衡对深度学习模型训练的影响，增加故障特征的抗噪性，增强特征提取过程的鲁棒性，避免人工过多参与超参数选取，提高模型诊断过程的智能化和准确性。

主权项：1.一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，包括以下步骤：步骤1：提出一种用于振动信号的数据扩充策略，其具体步骤为：步骤1.1：数据划分：将采集所得的振动信号分割为训练数据和测试数据；步骤1.2：训练数据扩充：利用重叠采样策略将训练数据分割成若干样本，采用抖动技巧和旋转技巧产生新的训练数据；其中，抖动通过模拟随机传感器噪声，提高振动信号的多样性，所模拟的随机噪声是高斯白噪声；对振动信号进行旋转操作，模拟传感器的位置倒放，在不改变数值大小的情况下颠倒数值的符号，从而达到数据的扩充；步骤1.3：训练数据混合：将原始训练数据和新产生的训练数据进行混合，合成的训练数据用于深度学习网络的训练；步骤2：提出一种深度无损非负约束稀疏自编码器模型，其具体步骤为：步骤2.1：设计无损约束项和引用权重非负约束项对稀疏自编器的损失函数进行修改，构建无损非负约束稀疏自编码器模型；步骤2.2：修改无损非负约束稀疏自编码器的预训练规则，设计无损非负约束稀疏自编码器的参数学习规则；步骤2.3：预训练Softmax分类器；步骤2.4：将多个无损非负约束稀疏自编器与Softmax分类器进行堆栈，形成深度无损非负约束稀疏自编码器模型；步骤2.5：对深度无损非负约束稀疏自编码器网络进行有监督微调；步骤3：利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数，其具体步骤为：步骤3.1：准备深度无损非负约束稀疏自编码器，初始化人工蜂群算法的参数；步骤3.2：设计人工蜂群算法的适应度函数，选择合适的概率值选取蜜源；步骤3.3：确定雇佣蜂和跟随蜂在蜜源附近内的蜜源搜索准则；步骤3.4：确定侦查蜂产生新蜜源的准则。

全文数据：

权利要求：

百度查询： 天津工业大学 一种深度神经网络结合人工蜂群优化的智能故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD