买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学;江苏卓微尔智能科技有限公司

摘要：本发明公开了一种基于自编码器的二阶段异常分类方法，包括：基于自编码网络阵列、分类网络，构建二阶段异常分类网络模型；将多源信号的频谱图并行输入到所述二阶段异常分类网络模型中的自编码网络内进行自编码网络处理，输出特征图；将所述特征图拼接，并输入到所述分类网络中进行设备异常分类，输出分类结果。本发明方法用于解决复杂工况下设备运行故障的检测和分类，通过使用自编码网络阵列和分类网络的组合对多源信号进行特征学习和分类处理，以达到故障诊断和分类的目的，且具有良好的泛化性以及检测性能。

主权项：1.一种基于自编码器的二阶段异常分类方法，其特征在于，包括：基于自编码网络阵列、分类网络，构建二阶段异常分类网络模型；所述自编码网络阵列是以多个自编码网络为基本单元的的并行阵列，所述自编码网络至少包括编码器、解码器和注意力机制模块；所述编码器包括三组卷积和池化层，对输入的频谱图进行降维处理和特征提取；所述解码器采用与所述编码器对称的网络结构，利用学习到的特征和反卷积操作重构出输入的频谱图像；所述注意力机制模块使用函数作为激活函数和1组卷积层，所述卷积层采用1×1卷积核，生成与输入特征图相同空间维度的权重图；所述分类网络至少包括一组反卷积层和ResNet50网络结构，输入特征融合后的特征图，输出分类结果，所述反卷积层和所述ResNet50网络结构串联；对包括轴向振动信号、径向振动信号、切向振动信号和音频信号四种的多源信号进行预处理，绘制频谱图；利用Min-Max方法，将多源振动信号和音频信号的幅值调整到[0,1]之间，消除信号之间的幅值差异；按照50kHZ的采样率对多源信号进行采样；对音频、振动信号应用FFT变换，将信号从时域转换到频域，根据变换的结果绘制频谱图；在构建的自编码网络中以所述频谱图作为输入，进行无监督训练，直至网络收敛；将所述频谱图输入基于自编码器建立的二阶段异常分类模型中的自编码网络；编码器将高维输入编码成低维隐变量来学习特征，表示以达到特征提取的目的；解码器将隐藏层的低维隐变量还原，达到最小化重构误差的目标；无监督训练的训练过程使用反向传播算法优化网络参数；当损失函数趋于平稳网络达到收敛；从输入层到隐藏层编码过程如下： 其中，为学习到的隐藏特征，为激活函数，此处选用函数，为编码器的权重和偏置矩阵；从隐藏层到输出层的解码过程如下： 其中，为重构样本，为激活函数，此处选用函数，、是解码器的权重和偏置矩阵；使用MSE损失函数计算重构误差，其数学表达公式如下： 其中，为样本个数，为真实值，为重构值；利用反向传播，根据损失函数计算网络参数的梯度，再使用优化算法，应用Adam优化器更新网络参数，具体的过程如下公式所示： ,其中，为梯度第一时刻平均值、为梯度第二时刻非中心方差值，为梯度第一时刻平均值，为梯度第二时刻方差； 其中，是当前时刻参数，是上一时刻参数，是学习率，为常数，常设置为；重复上述从输入层到隐藏层编码过程、从隐藏层到输出层的解码过程、使用MSE损失函数计算重构误差、根据损失函数计算网络参数的梯度、应用Adam优化器更新网络参数步骤，直至设置的迭代次数进行完成；将多源信号的频谱图并行输入到所述二阶段异常分类网络模型中的自编码网络阵列内进行自编码网络处理，输出特征图；所述多源信号的信号源包括轴向振动信号、径向振动信号、切向振动信号和音频信号；将训练好的四个自编码网络冻结，保持这些网络的权重不变；并行输入四组包括所述轴向振动信号、所述径向振动信号、所述切向振动信号和所述音频信号的多源信号的频谱图；在经过自编码网络编码器处理之后，得到一个表现形式为矩阵的特征图；将得到的四组表现形式为矩阵的特征图进行相加的特征融合操作，得到拼接后的特征图，即新的特征图；将拼接后的特征图输入到所述分类网络中进行设备异常分类，输出分类结果；所述拼接后的特征图输入到二阶段异常分类模型中的分类网络中进行训练；所述分类网络根据特征图和对应标签计算损失函数，通过反向传播算法，调整分类器参数以最小化预测标签与实际标签之间的差异；当损失函数趋于稳定表明网络收敛；确定ResNet50网络的权重，并且使用交叉熵损失函数（BSE）以及Adam优化器进行反向传播和参数更新，在每次训练时先计算输出，输出是根据所创建的分类网络计算，网络所包含的激活函数皆为函数，输出层包含一个函数，用于计算概率，其数学表达公式如下： 其中，为输入，表示种类数、表示原始分数向量；利用交叉熵损失函数计算损失，其数学表达公式如下： 其中，为样本个数，为实际值，为预测值；利用反向传播，根据损失函数计算网络参数的梯度，使用优化算法，应用Adam优化器更新网络参数具体为： ,其中，为梯度第一时刻平均值、为梯度第二时刻非中心方差值，为梯度第一时刻平均值，为梯度第二时刻方差； 其中，是当前时刻参数，是上一时刻参数，是学习率，为常数，常设置为；重复上述确定ResNet50网络的权重、利用交叉熵损失函数计算损失、根据损失函数计算网络参数的梯度、应用Adam优化器更新网络参数步骤，直至设置的迭代次数进行完成；如果处于异常状态，分类器会对其进行数据状态的分类判断，所述设备异常分类的分类结果包括轴承磨损、轴承松动、轴承过热、轴承断裂和轴承润滑不良五种情况。

全文数据：

权利要求：

百度查询： 安徽大学 江苏卓微尔智能科技有限公司 一种基于自编码器的二阶段异常分类方法