(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110101521.6 (22)申请日 2021.01.25 (65)同一申请的已公布的文献号 申请公布号 CN 112836428 A (43)申请公布日 2021.05.25 (73)专利权人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 严如强　周峥　李天福　张子泷　 赵志斌　孙闯　陈雪峰　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 覃婧婵 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01) G06F 111/08(2020.01) (56)对比文件 CN 108519768 A,2018.09.1 1 CN 111860495 A,2020.10.3 0 佘博等.基 于深度卷积变分自编码网络的故 障诊断方法. 《仪 器仪表学报》 .2018,(第10期), 审查员 张一良 (54)发明名称 一种用于诊断航空发动机锥齿轮故障的深 度网络构建方法 (57)摘要 本公开揭示了一种用于诊断航空发动机锥 齿轮故障的深度网络构建方法， 包括： 采集航空 发动机锥齿轮振动信号并划分为训练集Dtrain、 验证集Dvalid和测试集Dtest； 构建网络搜索空间O， 根据搜索空间O构造超网络H(w)， 基于训练集 Dtrain并采用两种掩码矩阵Mask依次对超网络H (w)中的含参算子OP5‑8进行预热训练和对超网络 H(w)进行解耦训练， 得到优化后的超网络H(w*)； 基于优化后的超网络H(w*)构造可微性能评估器 Λ， 利用变分推断对评估器Λ进行优化获得优化 后的变分后验分布族， 并采样获得候选网络架构 集合Set； 利用训练集Dtrain和验证集Dvalid对所述 候选网络架构集合Set中的网络架构重新训练， 并在测试集Dtest上按照测试准确率从大到小排 序， 将测试准确率最高的网络架构作为最优的故 障诊断深度网络架构。 权利要求书2页 说明书9页 附图4页 CN 112836428 B 2022.12.06 CN 112836428 B 1.一种用于诊断航空发动机锥齿轮故障的深度网络构建方法， 包括如下步骤： S100： 采集航空发动机锥齿轮振动信号并划分为训 练集Dtrain、 验证集Dvalid和测试集 Dtest； S200： 构建网络搜索空间O， 根据网络搜索空间O构造超网络H(w)， 基于训练集Dtrain并采 用两种掩码矩阵Mask依次对超网络H(w)中的含参算子OP5‑8进行预热训练和对超网络H(w) 进行解耦训练， 得到优化后的超网络 H(w*)； S300： 基于优化后的超网络H(w*)构造基于变分后验分布族的可微性能评估器Λ， 利用 变分推断对可微性能评估器Λ进行优化， 获得优化后的变分后验分布族， 并对优化后的变 分后验分布族通过采样获得候选网络架构集 合Set； S400： 利用训练集Dtrain和验证集Dvalid对所述候选网络架构集合Set中的网络架构重新 训练， 并在测 试集Dtest上按照测 试准确率从大到小排序， 将测 试准确率最高的网络架构作 为最优的航空发动机锥齿轮故障诊断深度网络架构。 2.根据权利要求1所述的方法， 其中， 优选的， 步骤S20 0中， 所述超网络 H(w)表示 为： 其中， OP1‑4为网络搜索空间O中的非参算子， OP5‑8为含参算子； 系数矩阵A共有14行8列， 每一行都代表超 网络H(w)中的一条混合运算边， 每一行中的8个值α1... α8分别为组成该条 混合边的8种算子的系数， 系数均设置为1； 代表系数矩阵A在搜索空间O上的作用， x为模 型输入， w为含参算子的参数； 网络搜索空间O＝{置零， 最大池化， 平均池化， 残差连接， 卷积 核大小为3的分离卷积， 卷积核大小为5的分离卷积， 卷积核大小为3的扩张卷积， 卷积核大 小为5的扩张卷积}。 3.根据权利要求1所述的方法， 其中， 步骤S200中， 对超网络H(w)中的含参算OP5‑8进行 预热训练通过以下方式进行： 将Mask矩阵 设置 为1， Mask矩阵的其 他值设置为0； 对超网络H(w)进行解耦训练通过以下方式进行： Mask矩阵中的每一个值服从参数为p 的伯努利分布， 每 个值以概 率p设置为0， 以概 率1‑p设置为1。 4.根据权利要求1所述的方法， 其中， 步骤S20 0中， 所述优化后的超网络 H(w*)表示为： H(w*)＝arg minwLtrain(w) 其中， Ltrain(w)为交叉熵损失函数， w为在超网络中的网络参数， w*为在超网络中优化后 的网络参数。 5.根据权利 要求1所述的方法， 其中， 步骤S300中， 所述可微性能评估器Λ包括112个变 分后验分布， 即{Λi， i＝1， 2…112}， 其中， 每一个变分后验分布设置为参数为θi的高斯分 布。 6.根据权利要求1所述的方法， 其中， 步骤S300中， 利用变分推断对可微性能评估器Λ 进行优化包括如下步骤：权　利　要　求　书 1/2 页 2 CN 112836428 B 2S301： 通过重参数 方法对可微 性能评估器Λ中的变分后验分布进行初始化； S302： 利用初始化后的变分后验分布近似真实后验分布， 并通过计算KL散度对初始化 后的变分后验分布和真实后验分布的距离进 行最小化， 从而实现可微性能评估器Λ的变分 推断优化； S303： 采用双峰先验分布P(Λ)对步骤S3 02进行软约束。 7.根据权利要求6所述的方法， 其中， 步骤S3 01包括如下步骤： S3011： 将评估器Λ中的每个变分后验分布设置为参数θ＝( μ， σ )的标准高斯分布， 其 中， μ为高斯分布的均值， 高斯分布的标准差σ 为 log(1+exp( ρ ) )； S3012： 从标准高斯分布中采样出 单点 ε， 进行变换 得到变分后验的采样 其中， 为点乘。 8.根据权利要求6所述的方法， 其中， 步骤S3 02中， KL散度的计算公式如下： 其中， P(Λ)为Λ的先验分布， q(Λ|θ )为变分后验分布， P(Dvalid， H(w*)|Λ)为似然， P (Λ|Dvalid， H(w*)为真实后验分布， P(Dvalid， H(w*))为归一化常数。 9.根据权利要求1所述的方法， 其中， 步骤S300中， 对优化后的变分后验分布族通过采 样获得候选网络架构集合Set是指： 从变 分推断优化后的后验分布族中随机采样得到N个候 选网络架构， 按照验证准确率和稀疏度从大到小排序， 选择验证准确率为前a％的候选网络 架构作为备选， 然后根据稀疏度从 a％*N个候选网络架构中选择前b％个候选网络架构作为 候选网络架构集 合Set。 10.根据权利要求1所述的方法， 其中， 步骤S400中， 对所述候选网络架构集合Set中的 网络架构重新训练是指： 将训练集Dtrain和验证集Dvalid拼接后作为新的训练集输入至候选 网络架构集 合Set中， 对每 个候选子网络进行重新训练。权　利　要　求　书 2/2 页 3 CN 112836428 B 3