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！

摘要：本发明公开了一种基于深度学习的AUV推进器多信源融合故障诊断方法及系统，方法包括：采集AUV推进器各种故障类型的一维时间序列故障数据；将采集到的各种故障类型的一维时间序列故障数据进行数据预处理操作，得到多个多信源样本数据；将预处理后得到的多信源样本数据划分为训练集、验证集、测试集；建立卷积神经网络故障诊断模型，将训练集的多信源样本数据输入卷积神经网络故障诊断模型中进行前向传递和反向传播计算，训练卷积神经网络故障诊断模型参数；模型的验证与测试。本发明方法可自动对原始故障数据进行提取特征和诊断，无需任何手工特征提取操作，使人们对AUV推进器的故障诊断更加方便快捷。

主权项：1.基于深度学习的AUV推进器多信源融合故障诊断方法，其特征在于，包括以下步骤：1采集AUV推进器各种故障类型的一维时间序列故障数据；2将采集到的各种故障类型的一维时间序列故障数据进行数据预处理操作，得到多个多信源样本数据；3将预处理后得到的多信源样本数据划分为训练集、验证集、测试集；4建立卷积神经网络故障诊断模型，并进行参数初始化，将训练集的多信源样本数据输入卷积神经网络故障诊断模型中进行前向传递和反向传播计算，训练卷积神经网络故障诊断模型参数；其中，卷积神经网络故障诊断模型包含输入层、特征提取层、全连接层和softmax输出层，其中，特征提取层包含第一卷积层、第一池化层、第二卷积层、第二池化层，第一卷积层采用大卷积核，用于给网络提供信号的整体特征认知，第二卷积层采用小卷积核来筛选出识别率更高的特征，给网络提供信号的局部特征认知；将经过特征提取层中第二池化层后的特征图拉长成一维特征向量的形式，输入到全连接层中进行全连接分类；接着将全连接层的输出输入到softmax输出层，经softmax输出层后得到给定样本数据的预测概率值，用交叉熵损失函数计算预测值与真实值之间的误差，并进行反向传播计算，训练卷积神经网络模型的参数；输入层、特征提取层、全连接层和softmax输出层之间依次首尾相连，构成完整的卷积神经网络故障诊断模型；5运用验证集的多信源样本数据对步骤4训练得到的卷积神经网络故障诊断模型的诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，当训练集和验证集上的准确率均随着训练轮数的增加而增涨且训练集上的准确率略高于验证集上的准确率，继续执行步骤6，当训练集和验证集上的准确率均随着训练轮数的增加而增涨而训练集上的准确率远高于验证集上的准确率时，停止训练，跳转到步骤4，修改卷积神经网络故障诊断模型参数，依此反复执行，直到获取满足要求的卷积神经网络故障诊断模型超参数和验证准确率为止；6当训练迭代次数达到最大迭代次数时，卷积神经网络故障诊断模型结束训练，同时保存训练好的卷积神经网络故障诊断模型参数；否则返回步骤4；7最后将测试集的样本数据输入到步骤6己训练好的卷积神经网络故障诊断模型中进行测试，得到最终的故障诊断结果。

全文数据：

权利要求：

百度查询： 江苏科技大学 基于深度学习的AUV推进器多信源融合故障诊断方法及系统