本發(fā)明涉及旋轉(zhuǎn)機(jī)械設(shè)備故障診斷，特別是涉及一種基于深度學(xué)習(xí)理論的旋轉(zhuǎn)機(jī)械設(shè)備故障診斷方法。

背景技術(shù)：

隨著現(xiàn)代工業(yè)和科學(xué)技術(shù)的發(fā)展以及自動(dòng)化程度的進(jìn)一步提高，機(jī)械設(shè)備正朝著大型化、高速化、連續(xù)化、集中化、自動(dòng)化方向發(fā)展。旋轉(zhuǎn)機(jī)械設(shè)備長期處于高速運(yùn)行狀態(tài)(一般為每分鐘3000轉(zhuǎn)以上甚至高達(dá)幾萬轉(zhuǎn))，由于各種因素的影響，難免會(huì)出現(xiàn)一些故障，而且這些故障往往會(huì)引起巨大的經(jīng)濟(jì)損失甚至災(zāi)難性后果，因此對(duì)旋轉(zhuǎn)機(jī)械設(shè)備故障診斷十分重要。振動(dòng)檢測(cè)診斷法是當(dāng)今旋轉(zhuǎn)機(jī)械設(shè)備故障診斷技術(shù)的最常用的診斷方法。振動(dòng)信號(hào)包含了豐富的機(jī)械運(yùn)行狀態(tài)信息，所以振動(dòng)檢測(cè)診斷法可以對(duì)機(jī)械設(shè)備中的大部分故障類型進(jìn)行準(zhǔn)確的診斷。目前在工程應(yīng)用中采用的振動(dòng)分析方法主要有時(shí)域分析法和頻域分析法。時(shí)域分析法主要是在信號(hào)的時(shí)域提取故障的時(shí)域特征然后根據(jù)時(shí)域特征的變化對(duì)機(jī)械設(shè)備進(jìn)行故障診斷的技術(shù)。頻域分析法是通過傅里葉變換把振動(dòng)信號(hào)變換到頻域進(jìn)行分析，提取信號(hào)頻域特征然后根據(jù)頻域特征的變化對(duì)機(jī)械設(shè)備進(jìn)行故障診斷的技術(shù)?，F(xiàn)有時(shí)域分析法算法簡(jiǎn)單、快捷、能判斷機(jī)械設(shè)備是否有故障以及故障的嚴(yán)重程度，但由于時(shí)域故障部位和類型特征模式復(fù)雜提取不易，所以判斷故障部位和故障類型困難。頻域分析法能判定是否有故障及故障部位和類型，所以精細(xì)診斷多采用頻域分析法，但頻域分析法無法判定故障的嚴(yán)重程度且對(duì)振動(dòng)信號(hào)的非平穩(wěn)性敏感，若對(duì)這些非平穩(wěn)信號(hào)直接進(jìn)行傅立葉分析將產(chǎn)生嚴(yán)重的頻率模糊現(xiàn)象，從而影響故障的判斷。另外，采用現(xiàn)有“基于信號(hào)處理的特征提取+機(jī)器學(xué)習(xí)模型”方法進(jìn)行特征提取需要掌握大量的信號(hào)處理技術(shù)結(jié)合豐富的工程實(shí)踐經(jīng)驗(yàn)才能完成，并且沒有考慮特征提取與智能診斷兩個(gè)環(huán)節(jié)之間的關(guān)系模型，訓(xùn)練使用淺層模型表征信號(hào)與健康狀況之間復(fù)雜的映射關(guān)系，導(dǎo)致面對(duì)機(jī)械大數(shù)據(jù)時(shí)，模型的監(jiān)測(cè)診斷能力及泛化性能均有明顯不足，很難滿足大數(shù)據(jù)背景下機(jī)械故障診斷的實(shí)際需求。為克服這些缺陷文獻(xiàn)【“基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法”，機(jī)械工程學(xué)報(bào)2015年第51卷第21期】提出了一種“基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法”，該方法通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)機(jī)械設(shè)備故障更有用的特征，從而最終提升診斷和預(yù)測(cè)的準(zhǔn)確性。與人工規(guī)則構(gòu)造特征的方法相比，利用大數(shù)據(jù)來學(xué)習(xí)特征，更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息。但該方法只利用振動(dòng)信號(hào)的頻域特征，沒有克服振動(dòng)非平穩(wěn)性引起的頻率模糊現(xiàn)象，也沒有利用振動(dòng)信號(hào)的時(shí)域信息和與故障相關(guān)性很強(qiáng)的被監(jiān)測(cè)對(duì)象的溫度信息，所以對(duì)非勻轉(zhuǎn)速場(chǎng)景效果不理想，也無法判斷故障嚴(yán)重程度。另外，該方法也沒有給出對(duì)所構(gòu)造的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行自我學(xué)習(xí)、自我完善的方法。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有方法的不足，本發(fā)明提供了一種基于深度學(xué)習(xí)理論的旋轉(zhuǎn)機(jī)械設(shè)備故障診斷方法。通過用等時(shí)間間隔采樣序列信號(hào)重構(gòu)等角度間隔采樣時(shí)間序列信號(hào)消除非勻速旋轉(zhuǎn)造成的非平穩(wěn)性，然后用等角度采樣時(shí)間序列信號(hào)的自相關(guān)序列、等角度采樣時(shí)間序列信號(hào)傅里葉變換和被診斷旋轉(zhuǎn)機(jī)械設(shè)備工作時(shí)的溫度作為深度神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和故障診斷，通過把新產(chǎn)生的數(shù)據(jù)及其對(duì)應(yīng)的故障狀態(tài)加入訓(xùn)練樣本集，然后利用新的樣本集再次對(duì)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)DNN的自我學(xué)習(xí)與自我完善。

該方法克服了現(xiàn)有方法的不足，不但能消除非勻速旋轉(zhuǎn)造成的非平穩(wěn)性，通過利用時(shí)域信息和溫度信息使診斷結(jié)果更精準(zhǔn)，而且能夠?qū)崿F(xiàn)深度神經(jīng)網(wǎng)絡(luò)模型的自我學(xué)習(xí)和自我完善。

本發(fā)明的目的是一種基于深度學(xué)習(xí)的理論旋轉(zhuǎn)機(jī)械設(shè)備故障診斷方法，用以解決上述現(xiàn)有技術(shù)的缺陷。

為了達(dá)到上述目的，本發(fā)明所提供的技術(shù)方案是：基于深度學(xué)習(xí)理論的旋轉(zhuǎn)機(jī)械設(shè)備故障診斷方法，它包括

1、構(gòu)造深度神經(jīng)網(wǎng)絡(luò)DNN，包括深度神經(jīng)網(wǎng)絡(luò)DNN的類型、層數(shù)、各層節(jié)點(diǎn)數(shù)等；

2、獲取被診斷對(duì)象的溫度信號(hào)和振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序的自相關(guān)函數(shù)序列及其傅里葉變換；

3、根據(jù)預(yù)先確定的規(guī)則選取長度為的振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列的自相關(guān)序列、溫度信號(hào)或長度為的振動(dòng)信號(hào)時(shí)間序列的傅里葉變換、溫度信號(hào)并按照預(yù)先確定的排列順序把它們組合成一個(gè)向量作為深度神經(jīng)網(wǎng)絡(luò)DNN的輸入向量；

4、如果深度神經(jīng)網(wǎng)絡(luò)的輸入向量對(duì)應(yīng)的實(shí)際機(jī)械設(shè)備故障狀態(tài)已知?jiǎng)t加上對(duì)應(yīng)的機(jī)械設(shè)備故障的類別標(biāo)簽構(gòu)造深度神經(jīng)網(wǎng)絡(luò)DNN的有標(biāo)簽訓(xùn)練樣本，如果深度神經(jīng)網(wǎng)絡(luò)的輸入向量對(duì)應(yīng)的實(shí)際機(jī)械設(shè)備故障未知，則加上機(jī)械設(shè)備故障的類別標(biāo)簽未知的標(biāo)簽構(gòu)造深度神經(jīng)網(wǎng)絡(luò)DNN的無標(biāo)簽訓(xùn)練樣本；

5、利用步驟4構(gòu)造的訓(xùn)練樣本訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN；

6、通過與步驟1，2，3相同的方法構(gòu)造待診斷機(jī)械設(shè)備的輸入向量并把構(gòu)造的輸入向量輸入訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)DNN進(jìn)行故障診斷給出診斷結(jié)果，然后返回步驟4；

進(jìn)一步的步驟1所述的深度神經(jīng)網(wǎng)絡(luò)的類型包括：自動(dòng)編碼器AutoEncoder、降噪自動(dòng)編碼器 Denoising Autoencode、稀疏編碼Sparse coding、限制波爾茲曼機(jī)Restricted Boltzmann Machine (RBM)、深信度網(wǎng)絡(luò)Deep Belief Networks、卷積神經(jīng)網(wǎng)絡(luò)Convolutional Neural Networks；

進(jìn)一步的步驟2又包括以下步驟：

1）、獲取振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列和溫度信號(hào)、

2）、對(duì)振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列進(jìn)行自相關(guān)得到其自相關(guān)函數(shù)序列；

3）、求振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列或振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列自相關(guān)函數(shù)的傅里葉變換；

進(jìn)一步的步驟3所述預(yù)先確定的規(guī)則包括：只選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列，選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列和溫度信號(hào)，選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列和長度為的傅里葉變換，選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列、溫度信號(hào)和長度為的傅里葉變換，選取長度為的等角度采樣時(shí)間序列的傅里葉變換、溫度信號(hào)；選取長度為的傅里葉變換；

進(jìn)一步的步驟4所述的實(shí)際機(jī)械設(shè)備故障狀態(tài)包括：有無故障、故障位置、故障嚴(yán)重程度；

進(jìn)一步的步驟5又包括下列步驟：

1）、用無標(biāo)簽訓(xùn)練樣本或有標(biāo)簽訓(xùn)練樣本通過無監(jiān)督學(xué)習(xí)的方式逐層訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN的隱層；

2）、添加深度神經(jīng)網(wǎng)絡(luò)DNN的輸出層，然后用有標(biāo)簽訓(xùn)練樣本，微調(diào)深度神經(jīng)網(wǎng)絡(luò)DNN參數(shù)完成DNN的訓(xùn)練；

采用上述技術(shù)方案，本發(fā)明的技術(shù)效果有：本發(fā)明的故障故障診斷方法通過用等時(shí)間間隔采樣序列信號(hào)重構(gòu)等角度間隔采樣時(shí)間序列信號(hào)消除非勻速旋轉(zhuǎn)造成的非平穩(wěn)性，通過采用深度學(xué)習(xí)算法實(shí)現(xiàn)故障診斷的自我學(xué)習(xí)和自我進(jìn)化使診斷結(jié)果更為準(zhǔn)確。

附圖說明

圖1是本發(fā)明的邏輯結(jié)構(gòu)示意圖；

具體實(shí)施方式

下面結(jié)合附圖以某型風(fēng)電機(jī)組的軸承故障診斷為例說明本發(fā)明的具體實(shí)施方式。

1、構(gòu)造深度神經(jīng)網(wǎng)絡(luò)DNN，包括深度神經(jīng)網(wǎng)絡(luò)DNN的類型、層數(shù)、各層節(jié)點(diǎn)數(shù)；

進(jìn)一步的步驟1所述的深度神經(jīng)網(wǎng)絡(luò)的類型包括：自動(dòng)編碼器AutoEncoder、去噪自動(dòng)編碼機(jī) Denoising Autoencode、稀疏編碼Sparse coding、限制波爾茲曼機(jī)Restricted Boltzmann Machine (RBM)、深信度網(wǎng)絡(luò)Deep Belief Networks、卷積神經(jīng)網(wǎng)絡(luò)Convolutional Neural Networks；

根據(jù)機(jī)械故障振動(dòng)信號(hào)的特點(diǎn)，本實(shí)施例選用具有7層去噪自動(dòng)編碼機(jī) Denoising Autoencode、每層節(jié)點(diǎn)數(shù)2097170個(gè)。

因?yàn)闄C(jī)械設(shè)備所處環(huán)境復(fù)雜，樣本數(shù)據(jù)易于受到干擾，再加上復(fù)雜任務(wù)帶來的工況變化， 導(dǎo)致相同健康狀況下的樣本的性質(zhì)會(huì)有所波動(dòng)。降噪自動(dòng)編碼器通過重構(gòu)含有噪聲的樣本數(shù)據(jù)增強(qiáng)了DNN的魯棒性。其核心思想是：編碼網(wǎng)絡(luò)將含有一定統(tǒng)計(jì)特性的噪聲加入樣本數(shù)據(jù)，然后對(duì)樣本進(jìn)行編碼，解碼網(wǎng)絡(luò)再根據(jù)噪聲統(tǒng)計(jì)特性從未受到干擾的數(shù)據(jù)中估計(jì)出受干擾樣本的原始形式，從而使降噪自動(dòng)編碼器從含噪聲樣本中學(xué)習(xí)到更具魯棒性的特征 ，降低噪自動(dòng)編碼器對(duì)微小隨機(jī)擾動(dòng)的敏感性。降噪自動(dòng)編碼器的原理類似于人體的感官系統(tǒng)，比如人眼 看物體時(shí)，如果某一小部分被遮住了，人依然可以辨識(shí)出該物體。同理，降噪自動(dòng)編碼器通過添加噪聲進(jìn)行編碼重構(gòu)，可有效減小機(jī)械工況變化與環(huán)境噪聲等隨機(jī)因素對(duì)提取的健康狀況信息的影響，提高特征表達(dá)的魯棒性。

2、獲取被診斷對(duì)象的溫度信號(hào)和振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序的自相關(guān)函數(shù)序列及其傅里葉變換；

進(jìn)一步的步驟2又包括以下步驟：

1）、獲取機(jī)械設(shè)備振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列和溫度信號(hào)。

通過角度傳感器控制的采樣電路或先進(jìn)行等時(shí)間間隔采樣然后再利用計(jì)算階次跟蹤技術(shù)得到等角度間隔采樣時(shí)間序列的方法得到振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列，利用溫度傳感器檢測(cè)振動(dòng)設(shè)備的溫度獲取溫度信號(hào)；本實(shí)施例首先采用振動(dòng)傳感器和轉(zhuǎn)速傳感器檢測(cè)機(jī)械設(shè)備的振動(dòng)和轉(zhuǎn)速，其次對(duì)振動(dòng)傳感器輸出的振動(dòng)信號(hào)和轉(zhuǎn)速傳感器輸出的轉(zhuǎn)速信號(hào)進(jìn)行等時(shí)間間隔同步采樣，再次利用計(jì)算階次跟蹤技術(shù)得到振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列；

2）、對(duì)振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列進(jìn)行自相關(guān)得到其自相關(guān)函數(shù)序列；

采用時(shí)域自相關(guān)算法或頻域自相關(guān)算法求取振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列自相關(guān)函數(shù)序列；本實(shí)施例中采用時(shí)域自相關(guān)算法軟件計(jì)算振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列自相關(guān)函數(shù)序列；

3）、求振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列或振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列自相關(guān)函數(shù)的傅里葉變換；

本實(shí)施例中采用FFT算法軟件求取振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列的傅里葉變換或振動(dòng)信號(hào)的等角度間隔采樣時(shí)間序列自相關(guān)函數(shù)的傅里葉變換；

3、根據(jù)預(yù)先確定的規(guī)則選取長度為的振動(dòng)信號(hào)時(shí)間序列、溫度信號(hào)、機(jī)械設(shè)備的參數(shù)、長度為的振動(dòng)信號(hào)時(shí)間序列的傅里葉變換并按照預(yù)先確定的排列順序把它們組合成一個(gè)向量作為深度神經(jīng)網(wǎng)絡(luò)DNN的輸入向量；

所述預(yù)先確定的規(guī)則包括：只選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列，選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列和溫度信號(hào)，選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列和長度為的等角度采樣時(shí)間序列的傅里葉變換，選取長度為的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列、溫度信號(hào)和長度為的等角度采樣時(shí)間序列的傅里葉變換，選取長度為的等角度采樣時(shí)間序列的傅里葉變換、溫度信號(hào)；選取長度為的等角度采樣時(shí)間序列的傅里葉變換；

本實(shí)施例中選取長度為m=1048576的振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列、1個(gè)溫度信號(hào)，按照1個(gè)溫度信號(hào)、1048576個(gè)振動(dòng)信號(hào)的等角度采樣時(shí)間序列的自相關(guān)函數(shù)序列樣點(diǎn)順序組合成一個(gè)向量作為深度神經(jīng)網(wǎng)絡(luò)DNN的輸入向量。

4、如果深度神經(jīng)網(wǎng)絡(luò)的輸入向量對(duì)應(yīng)的實(shí)際機(jī)械設(shè)備故障狀態(tài)已知?jiǎng)t加上對(duì)應(yīng)的機(jī)械設(shè)備故障的類別標(biāo)簽構(gòu)造深度神經(jīng)網(wǎng)絡(luò)DNN的有標(biāo)簽訓(xùn)練樣本，如果深度神經(jīng)網(wǎng)絡(luò)的輸入向量對(duì)應(yīng)的實(shí)際機(jī)械設(shè)備故障未知，則加上機(jī)械設(shè)備故障的類別標(biāo)簽未知的標(biāo)簽構(gòu)造深度神經(jīng)網(wǎng)絡(luò)DNN的無標(biāo)簽訓(xùn)練樣本；

本實(shí)施例中，實(shí)際機(jī)械設(shè)備（軸承）的故障狀態(tài)分為正常、保持架故障、外圈故障、內(nèi)圈故障、滾動(dòng)體故障、和5種轉(zhuǎn)子故障，每種故障的故障嚴(yán)重程度又分為1到9九級(jí)共有82種故障狀態(tài)，每一種故障狀態(tài)給予4個(gè)輸出共有16個(gè)編碼。

5、利用步驟4構(gòu)造的訓(xùn)練樣本訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN；

1）、用無標(biāo)簽訓(xùn)練樣本或有標(biāo)簽訓(xùn)練樣本通過無監(jiān)督學(xué)習(xí)的方式逐層訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN的隱層；

給定一個(gè)無標(biāo)簽的機(jī)械健康狀況樣本集，對(duì)樣本按照分布加入隨機(jī)噪聲，使其變成含噪聲樣本，即式中，為二項(xiàng)隨機(jī)隱藏噪聲。也就是說對(duì)于每個(gè)輸入向量按照一定摧毀率隨機(jī)選擇向量的元素把該元素的值重置為零。每一個(gè)加入隨機(jī)噪聲的無標(biāo)簽的機(jī)械健康狀況樣本組成含噪聲無標(biāo)簽的機(jī)械健康狀況樣本集編碼網(wǎng)絡(luò)通過編碼函數(shù)將每一個(gè)訓(xùn)練樣本變換為編碼矢量。式中，為編碼網(wǎng)絡(luò)的激活函數(shù)本實(shí)施例；為編碼網(wǎng)絡(luò)的參數(shù)集合，且。然后編碼矢量通過解碼函數(shù)反向變換為的一種重構(gòu)表示。式中，為解碼網(wǎng)絡(luò)的激活函數(shù)；為解碼網(wǎng)絡(luò)的參數(shù)集合，且。自動(dòng)編碼器通過最小化與的重構(gòu)誤差，完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練。 DNN 訓(xùn)練的算法核心是用無監(jiān)督的方法將多個(gè)降噪自動(dòng)編碼器層層堆疊形成 DNN隱層結(jié)構(gòu)，首先使用樣本集訓(xùn)練降噪自動(dòng)編碼器第一層 DAE1 ，并將其編碼為式中，為 DAE₁的參數(shù)。因?yàn)榭梢灾貥?gòu)為輸入樣本 ，所以獲得了的主要信息。然后使用訓(xùn)練 降噪自動(dòng)編碼器第二層DAE₂，并將輸入編碼為。重復(fù)這個(gè)過程 ，直到降噪自動(dòng)編碼器第6層 DAE₆訓(xùn)練完畢，并將輸入編碼為。預(yù)訓(xùn)練將多個(gè) DAE相互連接起來 ，組成 DNN 隱層結(jié)構(gòu)，實(shí)現(xiàn)故障信息的層層提取。

2）、添加深度神經(jīng)網(wǎng)絡(luò)DNN的輸出層，然后用有標(biāo)簽訓(xùn)練樣本，微調(diào)深度神經(jīng)網(wǎng)絡(luò)DNN參數(shù)完成DNN的訓(xùn)練；

完成預(yù)訓(xùn)練后，為了監(jiān)測(cè)診斷機(jī)械的健康狀況，添加具有分類功能的輸出層 ，本實(shí)施例中用支持向量機(jī)SVM作為DNN的輸出層，使用 BP算法微調(diào) DNN 參數(shù)。

DNN的輸出表示為式中，，為輸出層的參數(shù) 。設(shè)的健康狀況類型為，DNN通過最小化完成微調(diào)。

式中，A為DNN的參數(shù)集，且經(jīng)過微調(diào)的DNN優(yōu)化了對(duì)機(jī)械健康狀況信息的特征表示，并具備了機(jī)械健康狀況的監(jiān)測(cè)診 斷能力。

6、通過與步驟1，2，3相同的方法構(gòu)造待診斷機(jī)械設(shè)備的輸入向量并把構(gòu)造的輸入向量輸入訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)DNN進(jìn)行故障診斷給出診斷結(jié)果，然后返回步驟4；

深度神經(jīng)網(wǎng)絡(luò)DNN訓(xùn)練完成后就可用其進(jìn)行機(jī)械設(shè)備的故障診斷了，診斷的流程與方法中的步驟1到步驟3的流程相同。診斷完成后給出診斷結(jié)果，必要時(shí)還可把診斷結(jié)果通過互聯(lián)網(wǎng)呈現(xiàn)給指定的相關(guān)人員，通過網(wǎng)絡(luò)呈現(xiàn)給指定的相關(guān)人員的方法和技術(shù)與現(xiàn)在普遍采用的方法和技術(shù)相同。輸出診斷結(jié)果后通過維修保養(yǎng)過程對(duì)被診斷對(duì)象進(jìn)行實(shí)際拆裝實(shí)際驗(yàn)證診斷的結(jié)果是否與實(shí)際一致，然后返回到步驟4采用新的實(shí)際產(chǎn)生的樣本再次對(duì)DNN進(jìn)行訓(xùn)練，這樣經(jīng)過反復(fù)的進(jìn)行訓(xùn)練、診斷、驗(yàn)證、再訓(xùn)練、再診斷、再驗(yàn)證的循環(huán)往復(fù)的過程完成DNN的自我學(xué)習(xí)和自我訓(xùn)練，使得DNN的診斷結(jié)果越來越準(zhǔn)確，越來越符合實(shí)際。

最后應(yīng)說明的是，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。