(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111646257.0 (22)申请日 2021.12.2 9 (71)申请人 山东科技大 学 地址 266590 山东省青岛市黄岛区前湾港 路579号山东科技大学自动化学院418 室 (72)发明人 宋保业　聂士聚　白星振　许琳　 (74)专利代理 机构 济南尚本知识产权代理事务 所(普通合伙) 37307 代理人 张笑 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的IM C开路故障诊断方法 (57)摘要 一种基于深度学习的IMC开路故障诊断方 法， 包括如下步骤： 步骤一： 采集故障数据； 步骤 二： 数据处理归一化； 步骤三： 建立测试样本集； 步骤四： SA E网络提取特征； 步骤五： SV M分类器输 出。 本发明利用堆栈自编码器对原始数据进行故 障特征提取， 然后利用SVM分类器对故障进行诊 断； 仿真测试结果表明， 本发明的故障检测方法 具有较高的正确率以及很好的分类指标。 权利要求书2页 说明书5页 附图7页 CN 114297932 A 2022.04.08 CN 114297932 A 1.一种基于深度学习的IM C开路故障诊断方法， 其特 征在于： 包括如下步骤： 步骤一： 采集故障数据； 步骤二： 数据处 理归一化； 步骤三： 建立测试样本集； 步骤四： SAE网络提取 特征； 步骤五： SVM分类 器输出。 2.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的步骤四中的SAE网络提取 特征依靠堆栈自编码器实现。 3.根据权利要求2所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的堆栈自编码器是由多个自编码器堆叠而成， 所述的自编码器是一种三层神经网络 。 4.根据权利要求3所述的一种基于深度学习的IM C开路故障诊断方法， 其特 征在于： 所述的自编码器由编码器和解码器组成； 所述的编码器是将输入数据进行降维， 以提取 数据中的特 征数据； 所述的解码器是将提取的特 征数据进行升维， 以尽可能还原成输入数据。 5.根据权利要求4所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的编码器和解码器的运行 过程如下式所示： h＝sf(W(1)x+b(1)) z＝sf(W(2)h+b(2)) 式中， W(1)是编码器的权值矩阵， b(1)是编码器的偏置矩阵， W(2)是解码器的权值矩阵， b (2)是解码器的偏置矩阵。 sf是激活函数。 6.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的步骤四中SAE网络通常将交叉熵损失(Cros sEntroyLoss)， 其损失函数的表达式如下： 7.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的步骤四中SAE网络训练包括如下步骤： 步骤一： 无监督的前向的堆叠 式编码器， 通过逐层训练编码器以构 成一个堆栈编码器， 每相邻的两层中前一层的输出数据是后一层的输入数据， 经过这样一个训练过程对整个 SAE的参数进行初始化； 步骤二： 反向的微调， 添加网络 输出层， SAE通过少量的输出 数据来进行反向微调学习。 8.根据权利要求7所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的步骤二中反向微调过程在监 督下进行。 9.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法， 其特征在于： 所 述的步骤四步骤五中SVM分类器是将数据从输入空间经过非线性映射映射到特征空间， 从 而对高维特 征空间的线性拟合问题进行解决。 以下为SVM的目标函数： 式中， C为拟合 误差的输出惩罚系数； L(ui)是损失函数， 具体表达式如下：权　利　要　求　书 1/2 页 2 CN 114297932 A 2权　利　要　求　书 2/2 页 3 CN 114297932 A 3