基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据，造成数据信息丢失，以及网络结构相对复杂的不足，构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层，在对输入的高阶张量数据进行降维时，不会对张量数据造成破坏，避免了特征信息的丢失，提高了模型对故障的识别准确率；并且张量投影层是一种维度可变的降维层，可以简化网络结构。在此基础上，结合高阶谱和深度张量投影网络各自的优点，提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中，利用高阶谱提取故障信号特征，将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明，所提方法能够更好地保留原始故障信息，有效识别不同类型的故障，准确率优于传统深度卷积神经网络故障诊断方法。