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：湖南科技大学

摘要：本发明公开了一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法，属于旋转部件故障诊断领域，包括以下步骤：数据采集和预处理；构建零序电流稀疏特征学习的旋转机械故障诊断模型；将预处理后的零序电流数据输入训练好的故障诊断模型中，获取诊断结果。本发明提出的使用零序电流进行旋转机械故障诊断的相关熵增强稀疏学习方法，可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。

主权项：1.一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法，其特征在于，包括以下步骤：步骤一，数据采集和预处理：收集传动系统中轴承和齿轮不同故障条件下的三相电机的ABC相电流，然后计算三相电流信号的零序电流，最后再对零序电流数据进行预处理；步骤二，构建零序电流稀疏特征学习的旋转机械故障诊断模型：建立旋转机械故障诊断模型，初始化模型参数，根据所设计的综合损失函数，自上而下逐层微调网络参数，以最小化损失函数为目标完成网络的整个训练过程，并保留模型的最优结构；所述步骤二中，在稀疏自编码器的基础上对损失函数进行了改进，设计了一个综合损失函数来代替传统的均方误差，具体过程为：首先，针对传统重建损失的局限性，引入相关熵函数，相关熵是对两个随机变量A＝[a1,a2,...an]T和B＝[b1,b2,...bn]T的相似性的广义计算，因此将相关熵用作输入数据和重建数据之间误差的指标，相关熵函数定义为：VσA,B＝E[κσA-B]其中，κσ是满足Mercer理论的核函数，E是期望值；相关熵的估计值计算得出： ai、bi分别表示A和B中的第i个数据；高斯核是相关熵中的Mercer核，高斯核定义为： 其中，σ为核大小；然后，设计出相关熵损失函数来替代传统的均方误差，相关熵损失函数如下： 为了进一步加强特征学习，成本函数中引入了一个非负约束项，引入非负约束项后的成本函数表示为Jweightω： 其中，G是一个非负约束函数，用于确保神经元的权重值为非负；是第l层的第p个单元和第l+1层的第q个单元之间的权重，λ是加权系数，k是网络层数，ml是第l层的节点数；由于稀疏自编码器的目标是最小化损失函数，而相关熵是用来计算输入数据和重建数据之间相似性，为了最大化相关熵，同时最小化重建误差，设计了一个新的损失函数Jnewω： 建立好模型结构后，初始化网络参数，根据提出的损失函数Jnewω，自上而下逐层微调网络参数，以最小化Jnewω为目标完成网络的整个训练过程，并在训练任务结束时保持模型的最优结构；步骤三，将预处理后的零序电流数据输入训练好的故障诊断模型中，获取诊断结果：将测试样本放入训练好的网络中进行特征学习，然后再输入Softmax分类器中进行故障诊断。

全文数据：

权利要求：

百度查询： 湖南科技大学 基于零序电流相关熵增强稀疏学习的传动链故障诊断方法