本发明涉及机械设备故障智能诊断技术，具体涉及机械传动系统故障的多分辨率深度神经网络智能诊断方法。
背景技术：
目前，传统机械设备故障智能诊断技术需要首先对采集到的信号进行特征提取与优化，才能进行相应的分类任务学习，比如提取信号的均方根值、偏斜度、峭度、信息熵等。随着数据量的增加及计算复杂度的显著上升，传统机械故障智能诊断算法需要耗费大量的人力物力计算敏感特征并进行特征优化，已经无法胜任复杂大规模数据下的智能诊断任务。传统方法难以满足目前对海量数据进行学习与智能分类的需要。
技术实现要素：
本发明的目的在于提供一种机械传动系统故障的多分辨率深度神经网络智能诊断方法，该方法以直接采集得到的机械设备动态信号为输入，通过深度神经网络的自适应特征学习，得到相应的辨识性特征用于分类。本发明以较少的人为干预、较高的分类精度以及较高的抗噪声干扰性能优于常规智能分类方法。
为实现上述目的，本发明采用以下技术方案：
一种机械传动故障的多分辨率深度神经网络智能诊断方法，包括下述步骤：
步骤s1，以机械传动故障数据集作为样本集合，并从样本集合得到深度神经网络的初始网络参数；所述深度神经网络为基于多层卷积神经网络研究的深度神经网络，是由三个堆栈“剖分-预测-更新”结构、一个池化层与一个全连层构成，
步骤s2，对样本集合中所有样本依次输入深度神经网络，得到网络输出结果；
步骤s3，将输出结果与样本标签进行对比得到相应的总分类误差；
步骤s4，利用步骤s3得到的总误差计算神经网络每层的误差；
步骤s5，利用步骤s4得到的深度神经网络误差更新其网络参数；
步骤s6，以步骤s5中得到的更新后的深度神经网络计算每个样本的网络输出结果；
步骤s7，返回步骤s3进行迭代，直到分类精度或迭代次数达到预设要求，得到并输出分类结果及网络参数。
所述深度神经网络采用-1到1之间的随机数对神经网络内的各个卷积核函数进行赋值，所有偏置项均设置为零。
深度神经网络的训练方法为随机梯度下降法；深度神经网络的学习能力由一个基于时域提升算法构造的“剖分-预测-更新”三层网络结构实现。
池化层的输入为深度神经网络多个更新层输出的总体。
深度神经网络的损失函数l表示为：
l＝0.5∑(y-o)2
其中，y为神经网络输出结果，o为期望结果。
步骤s2具体包括以下步骤：
从机械传动故障数据样本集合中随机选择一样本信号，将信号输入深度神经网络，在一个“剖分-预测-更新”结构中，信号依次进行计算；
经过多层“剖分-预测-更新”的计算后，将多个更新层的所有输出均输入池化层，在池化层对输入进行池化合并得到一个输出向量。
“剖分-预测-更新”结构的前馈算法如下：
设第k层为剖分层，其输入为x(k)(n)，则剖分层计算公式如下：
其中，上标k表示第k层，d为细节信号，s为逼近信号，l表示该层的第l个输入；
第(k+1)层为预测层，该层输出
其中，m为该层每个输入对应的卷积核函数个数，
第(k+2)层为更新层，该层输出
其中，
非线性函数f为relu函数，其表达式为：
f(x)＝max(0,x)。
池化层与全连层的算法如下：
设第z层为池化层，输入为
第(z+1)层为全连层，其前馈算法如下：
y(z+1)＝f′(w(z+1)x(z+1)+b(z+1))
其中，w(z+1)为全连层权重矩阵，b(z+1)为偏置项，非线性函数f′为sigmoid函数。
与现有技术相比，本发明的优点是：
本发明提出一种机械传动系统故障的多分辨率深度神经网络智能诊断方法，以原始机械信号直接作为神经网络输入，通过自适应特征学习得到不同数据的辨识性特征，并利用自适应特征进行智能分类以得到最佳分类效果。本发明方法即解决了海量数据下如何自适应学习特征的问题，也解决了神经网络对含噪输入敏感的问题，使得当前海量数据下机械设备故障智能诊断问题得到了很好的解决。具体优点为：
1)不同于需要特征提取与优化的传统智能分类方法，本发明直接以采集得到的机械信号作为网络输入，省去了花费于特征提取优化的人力物力；
2)本发明通过多层神经网络的自适应特征学习，可以成功地从输入数据中学习到相应的辨识性特征，做到有的放矢地学习特征，避免了传统智能分类方法中进行特征提取与优化的盲目性，从而提高了分类精度。
3)本发明在多层自适应特征学习中，能有效抑制随机噪声对特征提取的影响。
附图说明
图1为本发明机械传动多分辨率深度学习神经网络的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰，以下结合具体实施案例，并参照附图，对本发明进一步详细说明。
以某电机轴承故障数据集为例进行说明。该数据集包含3200组样本，分别包括正常运行、内圈故障、外圈故障、滚动体故障四种故障类型的数据。
如图1所示，本发明包括以下步骤：
步骤s1，对于一样本集合，得到深度神经网络的初始参数；
采用-1到1之间的随机数对神经网络内的各个卷积核函数进行赋值，所有偏置项均设置为零。
步骤s2，对所述样本集合中所有样本依次输入深度神经网络，得到网络输出结果；
从电机轴承故障数据样本集合中随机选择一样本信号，将信号输入网络，在一个“剖分-预测-更新”结构中，信号依次进行以下计算：
设第k层为剖分层，其输入为x(k)(n)，则剖分层计算公式如下：
其中上标k表示第k层，d为细节信号，s为逼近信号，l表示该层的第l个输入。
第(k+1)层为预测层，该层输出
其中m为该层每个输入对应的卷积核函数个数，
f(x)＝max(0,x)
第(k+2)层为更新层，该层输出
其中
经过三层“剖分-预测-更新”的计算后，将三个更新层的所有输出均输入池化层，在池化层对输入进行池化合并得到一个输出向量：
设第z层为池化层，输入为
第(z+1)层为全连层，其前馈算法如下：
y(z+1)＝f′(w(z+1)x(z+1)+b(z+1))
其中w(z+1)为全连层权重矩阵，b(z+1)为偏置项，非线性函数f′为sigmoid函数。
步骤s3，将输出结果与样本标签进行对比得到相应的总分类误差；
根据电机轴承故障数据样本集合的故障标签，计算神经网络的输出误差函数：
l＝0.5∑(y-o)2
其中y为神经网络输出结果，o为期望结果。
步骤s4，利用所述步骤s3得到的总误差计算神经网络每层的误差；
采用随机梯度下降法从误差函数l逐层计算各个卷积核函数与偏置项的偏导。
步骤s5，利用所述步骤s4得到的深度神经网络误差更新其网络参数；
根据计算得到的偏导值，采用0.05的学习速率对各个参数进行相应的调整。
其中，对神经网络进行基于随机梯度下降法的网络参数学习属于本领域的现有技术，再次不做赘述。
步骤s6，以所述步骤s5中得到的新的深度神经网络计算每个样本的网络输出结果；
步骤s7，返回步骤s3进行迭代，直到分类精度或迭代次数达到预设要求，得到并输出分类结果及网络参数。
对该电机轴承故障数据集的学习与测试中，本发明能够对该数据集进行正确的分类，直接以动态信号作为网络输入，准确实现了四种健康状态的分类。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。