CN114897292B - 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 - Google Patents

Abstract

本发明公开了一种基于多尺度残差卷积变分网络故障诊断方法和诊断系统，包括：获取针对机械设备不同传递系统故障的加速度数据，并随机划分为训练样本和测试样本；由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断。

Description

基于多尺度残差卷积变分网络故障诊断方法和诊断系统

技术领域

本发明涉及机械设备诊断与健康管理领域，尤其涉及一种基于多尺度残差卷积变分网络故障诊断方法和诊断系统。

背景技术

风电机组作为一种大型的旋转机械设备，其安全稳定运行直接关系到风电企业的经济效益。由于风电机组长时间处于变转速、变载荷等变工况的复杂条件下，使得其关键部件(如轴承、齿轮、转子等)很容易发生故障，导致风电设备性能退化，甚至造成重大的经济损失和严重的人员伤亡。

智能故障诊断作为一种评估风电机组可靠性、降低停机风险的有效手段，在现代复杂旋转机械系统中具有重要的意义。因此，为了保证风电场的生产效率和操作安全，开展对风电机组结构健康监测和故障诊断技术的研究越来越受到重视。常见的故障诊断方法有人工神经网络、支持向量机、极限学习机等，虽然这些方法在故障诊断方面取得了一定效果，但它们均属于浅层学习方法，需要人工提取特征，且鲁棒性不强。为了避免传统诊断方法中需要人工特征提取的缺点和提高非平稳工况下模型的鲁棒性，需要一种基于多尺度残差卷积变分网络故障诊断方法和诊断系统。

发明内容

本方案针对上文提出的问题和需求，提出一种基于多尺度残差卷积变分网络故障诊断方法和诊断系统，由于采取了如下技术特征而能够实现上述技术目的，并带来其他多项技术效果。

本发明的一个目的在于提出一种基于多尺度残差卷积变分网络故障诊断方法，包括如下步骤：

S10：获取针对机械设备不同传递系统故障的加速度数据x(N)，N是采集数据的总长度，并随机划分为训练样本和测试样本；

S20：由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；

S30：采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断。

在本发明的一个示例中，在步骤S10中随机划分训练样本和测试样本包括：

假设给定一个长度为L的滑移窗函数，采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x₁(n)和测试样本x₂(n)，其中n是每个样本的数据长度，训练样本和测试样本的个数均为m/2，其中m可由以下公式计算得到：

式中，N为采集的原始加速度数据总长度，L为滑移窗函数的长度，s为滑移窗函数的移动步长，

为向下取整运算。

在本发明的一个示例中，在步骤S20中，所述残差卷积变分模块包括：

3个残差模块，3个残差模块依次串接，每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加，获得残差模块的输出结果F(x)+x；其中，第1个残差模块的输出作为第2残差模块的输入，第2残差模块的输出作为第3个残差模块的输入；

重采模块，所述重采样模块通过重参数技巧对第3个残差模块的输出结果F₃(x)+x₃进行平整化处理和重参数采样计算，获得有用的潜在特征z；

卷积模块，由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成，配置为用于对潜在特征z进行更深入地处理，获得更具代表性的故障信息。

在本发明的一个示例中，在步骤S20中，所述分类模块采用Softmax函数，其计算公式为：

式中，p_i表示第i类故障样本被正确识别的概率，z_i表示第i个网络节点的输出值，C为故障样本的类别数量。

在本发明的一个示例中，在步骤S20中，多尺度残差卷积变分网络模型的初始参数包括：初始化最大进化次数M、学习率η和批量大小S。

在本发明的一个示例中，在步骤S30中，采用所述训练样本对多尺度残差卷积变分网络模型进行训练还包括：

通过adam算法对多尺度残差卷积变分网络模型的网络参数进行迭代更新，包括如下过程：

t←t+1

m_t←β₁m_t-1+(1-β₁)g_t

式中，t为时间步长，g_t为随机目标梯度，

为梯度运算，f_t(θ_t-1)为随机目标函数，θ为随机参数，m_t和ν_t分别为一阶动量和二阶动量，

和

分别表示经过偏差校正后的一阶动量和二阶动量，β₁，β₂和ε均是网络模型的超参数，η为初始学习率。

本发明的另一个目的在于提出一种基于多尺度残差卷积变分网络故障诊断系统，包括：

数据获取装置，配置为获取针对机械设备不同传递系统故障的加速度数据x(N)，N是采集数据的总长度，并随机划分为训练样本和测试样本；

模型获取装置，配置为由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；

故障诊断装置，配置为采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断。

在本发明的一个示例中，还包括：训练装置，

配置为假设给定一个长度为L的滑移窗函数，采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x₁(n)和测试样本x₂(n)，其中n是每个样本的数据长度，训练样本和测试样本的个数均为m/2，其中m可由以下公式计算得到：

式中，N为采集的原始加速度数据总长度，L为滑移窗函数的长度，s为滑移窗函数的移动步长，

为向下取整运算。

在本发明的一个示例中，所述残差卷积变分模块包括：

3个残差模块，3个残差模块依次串接，每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加，获得残差模块的输出结果F(x)+x；其中，第1个残差模块的输出作为第2残差模块的输入，第2残差模块的输出作为第3个残差模块的输入；

重采模块，所述重采样模块通过重参数技巧对第3个残差模块的输出结果F₃(x)+x₃进行平整化处理和重参数采样计算，获得有用的潜在特征z；

卷积模块，由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成，配置为用于对潜在特征z进行更深入地处理，获得更具代表性的故障信息。

在本发明的一个示例中，所述分类模块采用Softmax函数，其计算公式为：

式中，p_i表示第i类故障样本被正确识别的概率，z_i表示第i个网络节点的输出值，C为故障样本的类别数量。

下文中将结合附图对实施本发明的最优实施例进行更加详尽的描述，以便能容易理解本发明的特征和优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下文中将对本发明实施例的附图进行简单介绍。其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。

图1为本发明方法的整体实施流程图；

图2为残差模块示意图；

图3为残差卷积变分模块示意图；

图4为多尺度残差卷积变分网络示意图；

图5为某风电场750kW风电机组结构示意图；

图6为风电机组不同故障下某一数据样本的时域波形图；

图7为不同深度学习模型获得的诊断精度对比图。

具体实施方式

为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于实际的风电机组通常在变工况、变转速等非平稳条件下运行，因此从机组上采集的振动信号具有高度的复杂性，这意味着从这些复杂的振动信号中难以获取的有效故障特征信息，针对此问题，本发明公布了一种基于多尺度残差卷积变分网络的风电机组故障诊断方法。该方法通过将采集的振动信号输入到多个残差卷积变分模块中进行逐层并行学习，能够自动获取丰富、判别性的故障特征信息，从而实现波动工况下风电机组的高精度故障诊断，对风电场设备的可靠运行和健康管理具有很好的指导价值。

需要说的是，本发明中所涉及的残差模块、重采样模块、卷积模块等均为Matlab中关于深度学习的工具包中的函数。

根据本发明第一方面的一种基于多尺度残差卷积变分网络故障诊断方法，如图1、图4所示，包括如下步骤：

S10：获取针对机械设备不同传递系统故障的加速度数据x(N)，N是采集数据的总长度，并随机划分为训练样本和测试样本；例如，机械设备为风电机组，在风电机组传递系统上安装6个加速度传感器，分别位于主轴、齿轮箱低速级、中间级、高速级和发电机前后端位置，选用合理的测试仪器设备(如PCB振动加速度传感器、NI9234数据采集卡等)，采集风电机组传递系统不同故障(如轴承划痕、齿轮磨损、转子不平衡等)对应的加速度数据x(N)，N为采集数据x(N)的总长度，并随机划分为训练样本和测试样本。

S20：由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型(MRCVN)，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；

S30：采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断。

该诊断方法通过多个残差卷积变分模块的层层堆叠并行学习，构建了一种新型的多尺度残差卷积变分网络模型，它具备卷积网络、残差网络和变分自编码网络的优点，能够从小样本中自动学习丰富的故障特征信息，能够缓解网络退化和梯度弥散问题，非常适用于解决含噪环境下的机械设备故障诊断问题。与传统智能诊断方法相比，通过多尺度、深层次自动地学习故障特征信息，能够实现波动工况条件下机械设备故障类型的有效识别，具有良好的鲁棒性和泛化性能，无需多余的信号处理技术和人工特征提取过程，便于工程应用。

需要说明的是，残差卷积变分模块的数量选择依据计算任务的大小而定，作为优选地，选择3个残差卷积变分模块。

在本发明的一个示例中，在步骤S10中随机划分训练样本和测试样本包括：

假设给定一个长度为L的滑移窗函数，采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x₁(n)和测试样本x₂(n)，其中n是每个样本的数据长度，训练样本和测试样本的个数均为m/2，其中m可由以下公式计算得到：

式中，N为采集的原始加速度数据总长度，L为滑移窗函数的长度，s为滑移窗函数的移动步长，

为向下取整运算。

例如，随机划分为训练样本和测试样本是指通过滑移窗函数按1：1比例随机划分为训练样本x₁(n)和测试样本x₂(n)，n是每个样本的数据长度。

在本发明的一个示例中，在步骤S20中，如图2、图3所示，所述残差卷积变分模块包括：

3个残差模块，3个残差模块依次串接，每个所述残差模块通过快捷方式与2个卷积层(Convolutional Layer)、2个批处理层(BN)和2个激活函数层(LReLU)的输出结果F(x)进行叠加，获得残差模块的输出结果F(x)+x；其中，第1个残差模块的输出作为第2残差模块的输入，第2残差模块的输出作为第3个残差模块的输入；也就是说，第1个残差模块的输出为F(x)+x，第2残差模块的输出为F(F(x)+x)+F(x)+x，第3个残差模块的输出为F(F(F(x)+x)+F(x)+x)+F(F(x)+x)+F(x)+x；当输入信号输入残差模块时，先经过一个卷积层，接着由一个批处理层和一个激活函数层处理输出，然后重复上述步骤一次并输出结果F(x)，最后通过恒等映射得到残差模块的输出结果F(x)+x。

重采模块，所述重采样模块通过重参数技巧对第3个残差模块的输出结果F₃(x)+x₃进行平整化处理(即经过扁平层flatten layer)和重参数采样计算，获得有用的潜在特征z，平整化处理输出对应的均值μ和标准差σ，根据重参数采样计算，令z＝μ+εσ，进而获得有用的潜在特征z，其中ε通过从正态分布N(1,0)中采样获得，即ε:N(1,0)。

卷积模块，由1个卷积层(Convolutional Layer)、1个批处理层(BN)、1个激活函数层(LReLU)、1个最大池化层(Maxpooling)、1个丢弃层(Dropout)和1个全连接层(Fully-connected Layer)组成，配置为用于对潜在特征z进行更深入地处理，获得更具代表性的故障信息；其中，激活函数层(LReLU)采用的是有漏洞的修正线性单元，丢弃层(Dropout)的丢弃率P设置为0.2。

也就是说，建立的多尺度残差卷积变分网络模型由3个残差卷积变分模块通过对输入数据x(N)并行学习连接构成，其中每个残差卷积变分模块是由3个残差模块、1个重采样模块和1个卷积模块组合构成。

在本发明的一个示例中，在步骤S20中，所述分类模块采用Softmax函数，其计算公式为：

式中，p_i表示第i类故障样本被正确识别的概率，z_i表示第i个网络节点的输出值，C为故障样本的类别数量。

在本发明的一个示例中，在步骤S20中，多尺度残差卷积变分网络模型的初始参数包括：初始化最大进化次数M、学习率η和批量大小S；

例如，初始化最大进化次数M＝200，初始化学习率η＝0.01，初始化批量大小S＝50。

在本发明的一个示例中，在步骤S30中，采用所述训练样本对多尺度残差卷积变分网络模型进行训练还包括：

通过adam算法对多尺度残差卷积变分网络模型的网络参数进行迭代更新，包括如下过程：

t←t+1

m_t←β₁m_t-1+(1-β₁)g_t

式中，t为时间步长，g_t为随机目标梯度，

为梯度运算，f_t(θ_t-1)为随机目标函数，θ为随机参数，m_t和ν_t分别为一阶动量和二阶动量，

和

分别表示经过偏差校正后的一阶动量和二阶动量，β₁，β₂和ε均是网络模型的超参数，η为初始学习率。

例如，上述步骤中采用训练样本对MRCVN模型进行训练时，定义MRCVN模型的初始超参数，即设置初始时间步长t为0，偏移量γ为10^-8，衰减因子β₁和β₂分别为0.9和0.999，一阶动量m₀和二阶动量ν₀均为0。

根据本发明第二方面的一种基于多尺度残差卷积变分网络故障诊断系统，包括：

数据获取装置，配置为获取针对机械设备不同传递系统故障的加速度数据x(N)，N是采集数据的总长度，并随机划分为训练样本和测试样本；

模型获取装置，配置为由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；

故障诊断装置，配置为采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断。

该诊断系统通过多个残差卷积变分模块的层层堆叠并行学习，构建了一种新型的多尺度残差卷积变分网络模型，它具备卷积网络、残差网络和变分自编码网络的优点，能够从小样本中自动学习丰富的故障特征信息，能够缓解网络退化和梯度弥散问题，非常适用于解决含噪环境下的机械设备故障诊断问题。与传统智能诊断方法相比，无需多余的信号处理技术和人工特征提取过程，便于工程应用。

在本发明的一个示例中，还包括：训练装置，

配置为假设给定一个长度为L的滑移窗函数，采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x₁(n)和测试样本x₂(n)，其中n是每个样本的数据长度，训练样本和测试样本的个数均为m/2，其中m可由以下公式计算得到：

式中，N为采集的原始加速度数据总长度，L为滑移窗函数的长度，s为滑移窗函数的移动步长，

为向下取整运算。

在本发明的一个示例中，所述残差卷积变分模块包括：

3个残差模块，3个残差模块依次串接，每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加，获得残差模块的输出结果F(x)+x；其中，第1个残差模块的输出作为第2残差模块的输入，第2残差模块的输出作为第3个残差模块的输入；也就是说，第1个残差模块的输出为F(x)+x，第2残差模块的输出为F(F(x)+x)+F(x)+x，第3个残差模块的输出为F(F(F(x)+x)+F(x)+x)+F(F(x)+x)+F(x)+x；当输入信号输入残差模块时，先经过一个卷积层，接着由一个批处理层和一个激活函数层处理输出，然后重复上述步骤一次并输出结果F(x)，最后通过恒等映射得到残差模块的输出结果F(x)+x。

重采模块，所述重采样模块通过重参数技巧对第3个残差模块的输出结果F₃(x)+x₃进行平整化处理和重参数采样计算，获得有用的潜在特征z；

卷积模块，由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成，配置为用于对潜在特征z进行更深入地处理，获得更具代表性的故障信息。

在本发明的一个示例中，所述分类模块采用Softmax函数，其计算公式为：

式中，p_i表示第i类故障样本被正确识别的概率，z_i表示第i个网络节点的输出值，C为故障样本的类别数量。

具体实施案例：本案例以某风电场750kW的风电机组为研究对象，图5显示了该风电机组的结构示意图，主要由叶轮、齿轮箱和发电机组成，其中齿轮箱包括行星级齿轮、中间级齿轮和高速级齿轮。如图5所示，在该风电机组运行过程中，通过在主轴、齿轮箱低速级、中间级、高速级、发电机前后端位置安装6个加速度传感器，分别采集了风电机组4种运行状态下(即正常、高速级齿轮故障、发电机前轴承故障、发电机转子不平衡故障)的振动加速度数据。在数据采集过程中，采集卡型号为NI9234，输入轴转速大约为21.8r/min，发电机轴转速大约为1523r/min，采样频率设置为16384Hz。通过现场测试共采集500个数据样本，每个数据样本的总长度N为327680，设置滑移窗函数的长度L＝2048，移动步长s＝1000，采用滑移窗函数将采集的数据样本随机划分为163个训练样本和163个测试样本，每个训练样本和测试样本的长度都为2048点。图6为通过滑移窗函数获取的某一数据样本的时域波形图。

为了证明提出方法在风电机组运行状态识别中的有效性和优越性，采用相同的训练样本对提出的MRCVN模型和4种常见的深度学习模型(即卷积神经网络CNN、变分自编码器VAE、深度信念网络DBN、长短期记忆网络LSTM)进行训练，并采用测试数据对训练好的深度学习模型进行测试，获得风电机组的诊断结果，如图7所示。从图7可以明显看出，提出的MRCVN模型获得了99％以上的诊断精度。另外，与4种常见的深度学习模型(即CNN、VAE、DBN和LSTM)相比，提出的MRCVN模型能够取得最高的诊断准确率，且诊断结果的稳定性更好，这说明本发明公布的MRCVN模型相比传统深度学习模型具有明显的诊断优势，能够实现波动工况下风电机组运行状态的智能识别与可靠诊断，同时具有良好的鲁棒性。

上文中参照优选的实施例详细描述了本发明所提出的基于多尺度残差卷积变分网络故障诊断方法和诊断系统的示范性实施方式，然而本领域技术人员可理解的是，在不背离本发明理念的前提下，可以对上述具体实施例做出多种变型和改型，且可以对本发明提出的各种技术特征、结构进行多种组合，而不超出本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (2)

1.一种基于多尺度残差卷积变分网络故障诊断方法，其特征在于，包括如下步骤：

S10：获取针对机械设备不同传递系统故障的加速度数据x(N)，N是采集数据的总长度，并随机划分为训练样本和测试样本；

S20：由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；

S30：采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断；

其中，在步骤S10中随机划分训练样本和测试样本包括：

假设给定一个长度为L的滑移窗函数，采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x₁(n)和测试样本x₂(n)，其中n是每个样本的数据长度，训练样本和测试样本的个数均为m/2，其中m可由以下公式计算得到：

式中，N为采集的原始加速度数据总长度，L为滑移窗函数的长度，s为滑移窗函数的移动步长，

为向下取整运算；

其中，在步骤S20中，所述残差卷积变分模块包括：

3个残差模块，3个残差模块依次串接，每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加，获得残差模块的输出结果F(x)+x；其中，第1个残差模块的输出作为第1残差模块的输入，第2残差模块的输出作为第3个残差模块的输入；

重采模块，所述重采样模块通过重参数技巧对第3个残差模块的输出结果F₃(x)+x₃进行平整化处理和重参数采样计算，获得有用的潜在特征z；

卷积模块，由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成，配置为用于对潜在特征z进行更深入地处理，获得更具代表性的故障信息；

其中，在步骤S20中，所述分类模块采用Softmax函数，其计算公式为：

式中，p_i表示第i类故障样本被正确识别的概率，z_i表示第i个网络节点的输出值，C为故障样本的类别数量；

其中，在步骤S20中，多尺度残差卷积变分网络模型的初始参数包括：初始化最大进化次数M、学习率η和批量大小S；

其中，在步骤S30中，采用所述训练样本对多尺度残差卷积变分网络模型进行训练还包括：

通过adam算法对多尺度残差卷积变分网络模型的网络参数进行迭代更新，包括如下过程：

t←t+1

m_t←β₁m_t-1+(1-β₁)g_t

式中，t为时间步长，g_t为随机目标梯度，

为梯度运算，f_t(θ_t-1)为随机目标函数，θ为随机参数，m_t和ν_t分别为一阶动量和二阶动量，

和

分别表示经过偏差校正后的一阶动量和二阶动量，β₁，β₂和ε均是网络模型的超参数，η为初始学习率。

2.一种基于多尺度残差卷积变分网络故障诊断系统，其特征在于，包括：

数据获取装置，配置为获取针对机械设备不同传递系统故障的加速度数据x(N)，N是采集数据的总长度，并随机划分为训练样本和测试样本；

模型获取装置，配置为由至少3个残差卷积变分模块并行学习串接，对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量，并采用分类模块对总的特征向量进行故障分类，形成多尺度残差卷积变分网络模型，其中，对多尺度残差卷积变分网络模型的初始参数进行设置；

故障诊断装置，配置为采用所述训练样本对多尺度残差卷积变分网络模型进行训练，实现小样本数据下多尺度、深层次的故障特征学习，并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型，以实现对机械设备运行状态的自动辨别和智能诊断；

训练装置，配置为假设给定一个长度为L的滑移窗函数，采用该滑移函数沿着采集的加速度数据x(N)截取等比例的训练样本x₁(n)和测试样本x₂(n)，其中n是每个样本的数据长度，训练样本和测试样本的个数均为m/2，其中m可由以下公式计算得到：

式中，N为采集的原始加速度数据总长度，L为滑移窗函数的长度，s为滑移窗函数的移动步长，

为向下取整运算；

其中，所述残差卷积变分模块包括：

3个残差模块，3个残差模块依次串接，每个所述残差模块通过快捷方式与2个卷积层、2个批处理层和2个激活函数层的输出结果F(x)进行叠加，获得残差模块的输出结果F(x)+x；其中，第1个残差模块的输出作为第2残差模块的输入，第2残差模块的输出作为第3个残差模块的输入；

重采模块，所述重采样模块通过重参数技巧对第3个残差模块的输出结果F₃(x)+x₃进行平整化处理和重参数采样计算，获得有用的潜在特征z；

卷积模块，由1个卷积层、1个批处理层、1个激活函数层、1个最大池化层、1个丢弃层和1个全连接层组成，配置为用于对潜在特征z进行更深入地处理，获得更具代表性的故障信息；

其中，所述分类模块采用Softmax函数，其计算公式为：

式中，p_i表示第i类故障样本被正确识别的概率，z_i表示第i个网络节点的输出值，C为故障样本的类别数量；

其中，多尺度残差卷积变分网络模型的初始参数包括：初始化最大进化次数M、学习率η和批量大小S；

其中，采用所述训练样本对多尺度残差卷积变分网络模型进行训练还包括：

通过adam算法对多尺度残差卷积变分网络模型的网络参数进行迭代更新，包括如下过程：

t←t+1

m_t←β₁m_t-1+(1-β₁)g_t

式中，t为时间步长，g_t为随机目标梯度，

为梯度运算，f_t(θ_t-1)为随机目标函数，θ为随机参数，m_t和ν_t分别为一阶动量和二阶动量，

和

分别表示经过偏差校正后的一阶动量和二阶动量，β₁，β₂和ε均是网络模型的超参数，η为初始学习率。

Images