CN109782603A - 旋转机械耦合故障的检测方法及监测*** - Google Patents

Abstract

本发明涉及一种旋转机械耦合故障的检测方法及监测***，所述检测方法的步骤为：利用旋转机械在正常工况和故障工况下采集的振动信号数据作为训练数据集，建立深度卷积神经网络模型，将振动数据直接作为输入，引入自归一化策略将神经元激活值标准化，对深度卷积神经网络模型参数进行训练，并保存训练后的参数数据，采集实时工况下的数据作为测试数据，通过深度卷积神经网络模型实现故障检测。本发明无需工业过程精确的数学模型，便于实际应用；同时实现了故障检测和故障工况的类别区分，能够有效监测出产生机械损坏的具体部件，检测准确率高。

Description

旋转机械耦合故障的检测方法及监测***

技术领域

本发明属于工业机械监测和故障诊断技术领域，涉及一种旋转机械耦合故障的检测方法及监测***。

背景技术

在现代工业生产中，通过采集机械部件的振动信号来对复杂机电***进行故障诊断是目前旋转机械故障诊断中应用最为广泛的诊断方法之一。传统振动诊断方法与理论已趋于成熟，其核心通常分为两大部分：一是振动信号的特征提取，二是模式分类。

旋转机械是指主要依靠旋转动作完成特定功能的机械，在机械设备中被广泛应用，其中，齿轮与轴是应用率较高的关键部件，其状态与几何特征对机械设备的正常运行起到至关重要的作用。在机械设备运行过程中，不可避免的存在设备零部件老化与磨损问题，由此产生的齿轮与轴承的故障形式多种多样，比如：轴承由内圈、外圈与滚珠组成，任一位置发生问题都可导致轴承故障；齿轮的断裂、缺齿、磨损以及划痕等齿轮故障。旋转机械故障的复杂性体现在不同的故障类型的特征多样性以及故障生成原因的多样化，特别是当因设备老化磨损原因使齿轮与轴承发生耦合故障时，其振动信号的特征更具复杂性。通过故障诊断提取特征信号，判定故障单元，从而避免更大的损失。

传统的数据驱动故障检测方法，采用手工制作的特征需要专家知识和广泛的人力，每个模块均需逐步训练，且无法对大规模数据建模，耦合故障检测的准确率差。

发明内容

本发明针对现有故障检测方法检测耦合故障时存在故障检测准确率差的问题，提供一种故障检测准确率高的旋转机械耦合故障的检测方法及监测***。

为了达到上述目的，本发明提供了一种旋转机械耦合故障的检测方法，含有以下步骤：

(一)采集工业过程正常工况下与发生耦合故障下的多段传感器测量数据作为训练数据，并建立训练数据集；

(二)建立深度卷积神经网络模型，该模型设有十二层隐含层，采用五层卷积层、五层降采样池化层与两层全连接层组成模型框架，卷积层与降采样池化层交替设置，全连接层在深度卷积神经网络模型的后置位；

(三)将训练数据集输入到深度卷积神经网络模型中，对神经元激活值进行自归一化操作，进行梯度反向传播训练，更新深度卷积神经网络模型各网络层的权重矩阵参数和偏重矩阵参数；

(四)存储深度卷积神经网络模型训练后各网络层的权重参数矩阵和偏重参数矩阵；

(五)采集在线传感器数据，利用深度卷积神经网络模型对采集的在线传感器数据进行故障所属类型检测，根据故障所属类型判断是否有故障发生。

进一步的，步骤(一)中，建立训练数据集的具体步骤为：采集工业过程正常工况下与故障状态下轴承与齿轮耦合故障时域振动信号，包括正常状态与11种故障状态共12种状态，根据不同的故障类型添加标签，每2048个采样点作为一个数据样本，制作训练数据集。

进一步的，步骤(二)中，在深度卷积神经网络模型中，卷积层的输出为：

式中，表示卷积层的输出，表示线性操作，ξ(·)表示激活函数，×表示卷积操作，表示卷积核，J表示卷积核的数目，M表示卷积核的宽度，N表示卷积核的长度，表示上一层的卷积层输出，表示偏重参数；

池化层的最大池化定义为：

式中，表示第l层第i个神经元的池化输出，c表示池化大小；

全连接层与bp神经网络中的网络层为相同结构，全连接层的全连接计算定义为：

式中，表示全连接层的线性激活，表示全连接层的权重参数矩阵，x^l-1表示上一层的网络层输出。

进一步的，步骤(三)中，采用缩放指数线性单位激活函数实现对各卷积层的神经元激活值进行自标准化操作，所述缩放指数线性单位激活函数表示为：

式中，λ＝1.050700987355480493419，α＝1.673263242354377284817。

进一步的，步骤(三)中，反向传播训练的步骤为：

(1)训练数据集输入至深度卷积神经网络模型中，计算深度卷积神经网络模型的目标损失函数；

(2)采用梯度下降法计算梯度，适应性矩估计算法更新权重参数矩阵；

(3)训练Epoch是否达到要求值，若未达到则返回步骤(1)，否则结束训练，保存训练后的权重参数矩阵。

进一步的，步骤(三)中，设给定故障数据集为其中x^e是第e个数据样本，e＝1,2,...,E表示样本数目，为one-hot类型的向量，表示不同健康状况的标签；采用softmax分离器对耦合故障时域振动信号进行分类，样本x^e的网络预测结果表示为：

式中，是最末层全连接层的权重矩阵，x^e,l-1是l-1层卷积层的输出矩阵，b^l表示第l层的偏重矩阵；

则深度卷积神经网络模型的目标损失函数定义为：

进一步的，步骤(三)中，适应性矩估计算法更新权重参数矩阵的具体步骤为：

将学习率α、一阶矩估计衰减率β₁、二阶矩估计衰减率β₂、数值稳定常数ε、深度卷积神经网络模型的权重参数矩阵θ、目标损失函数L(θ)、训练次数n、batch size s、一阶矩估计m以及二阶矩估计v输入至深度卷积神经网络模型中；

初始化学习率α＝0.001，一阶矩估计衰减率β₁为0.9，二阶矩估计衰减率β₂为0.99，数值稳定常数ε＝10^-8；初始化神经网络的权重参数矩阵θ，采用标准差为0.1的随机初始化；同时初始化一阶矩估计m为0、二阶矩估计v为0，训练次数n为0；

当没有达到训练终止条件，即目标损失函数L(θ)未收敛或者训练次数未达到规定次数时：

n←n+1

梯度下降法计算梯度，

更新偏一阶矩估计，m←β₁m+(1-β₁)g

更新偏二阶矩估计，v←β₂v+(1-β₂)g⊙g

计算一阶矩偏差，

计算二阶矩偏差，

更新权值，

达到训练终止条件，返回权值参数θ。

为了达到上述目的，本发明还提供了一种旋转机械耦合故障检测***，包括：

数据采集模块，用于采集工业过程正常工况下与发生耦合故障下的振动信号；

与数据采集模块连接的训练数据集生成模块，用于将采集的振动信号生成训练数据集；

与所述训练数据集生成模块连接的深度卷积神经网络模型，用于诊断故障；

模型训练模块，用于训练深度卷积神经网络模型；

参数存储模块，用于存储所述深度卷积神经网络模型训练后的参数；

故障判断模块，与所述数据采集模块和深度卷积神经网络模型连接，用于利用深度卷积神经网络模型对数据采集模块采集的数据进行故障判断。

与现有技术相比，本发明的有益效果在于：

本发明利用旋转机械在正常工况和故障工况下采集的振动信号数据作为训练数据集，建立深度卷积神经网络模型，将训练数据集直接作为输入，对深度卷积神经网络模型参数进行训练，并保存训练后的参数数据，采集实时工况下的数据作为测试数据，通过深度卷积神经网络模型实现故障检测。本发明无需工业过程精确的数学模型，便于实际应用；同时实现了故障检测和故障工况的类别区分，能够有效监测出产生机械损坏的具体部件，检测准确率高。

附图说明

图1为本发明所述旋转机械耦合故障的检测方法的流程图；

图2为本发明所述旋转机械耦合故障的检测方法中深度卷积神经网络模型的架构图；

图3为本发明所述旋转机械耦合故障中深度卷积神经网络模型的训练流程图；

图4为本发明所述旋转机械耦合故障的检测方法中十二种不同的故障类型振动信号时域图；

图5为本发明实施例一的测试误差损失曲线图；

图6为本发明实施例一的故障检测结果混淆矩阵图；

图7为本发明旋转机械耦合故障监测***的结构简图。

具体实施方式

下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。

参见图1，本发明揭示了一种旋转机械耦合故障的检测方法，该方法直接读取传感器上采集的原始时域振动信号，经过训练后的深度卷积神经网络模型能够实时在线监测机械***内旋转机械的健康状况，挖掘高层次的抽象表征，得到准确的故障诊断结果，其含有以下步骤：

S101、采集工业过程正常工况下与发生耦合故障下的多段传感器测量数据作为训练数据，并建立训练数据集；

S102、建立深度卷积神经网络模型，该模型设有十二层隐含层，采用五层卷积层、五层降采样池化层与两层全连接层组成模型框架，卷积层与降采样池化层交替设置，全连接层在深度卷积神经网络模型的后置位；

S103、将训练数据集输入到深度卷积神经网络模型中，对神经元激活值进行自归一化操作，进行梯度反向传播训练，更新深度卷积神经网络模型各网络层的权重矩阵参数和偏重矩阵参数；

S104、存储深度卷积神经网络模型训练后各网络层的权重参数矩阵和偏重参数矩阵；

S105、采集在线传感器数据，利用深度卷积神经网络模型对采集的在线传感器数据进行故障所属类型检测，根据故障所属类型判断是否有故障发生。

本发明上述检测方法中，建立训练数据集的具体步骤为：采集工业过程正常工况下与故障状态下轴承与齿轮耦合故障时域振动信号，包括正常状态与11种故障状态共12种状态，根据不同的故障类型添加标签，每2048个采样点作为一个数据样本，制作训练数据集。

卷积神经网络一般由输入层、隐含层和输出层这三层组成，卷积神经网络中隐含层通常包含卷积层、池化层以及全连接层等组成，多层卷积与池化层交替，构成一个完整的深度卷积神经网络模型。卷积层在进行卷积操作时，能够对权重参数w进行权值共享，能够减少在模型训练过程中的计算量和占用的内存空间。

通常卷积神经网络被广泛应用于计算机视觉领域，适用于人脸识别、数字手写体识别等二维图像的分类识别，模型的输入一般为二维输入。本发明针对旋转机械的时域振动信号进行故障诊断，由于时域振动信号为一维数据，需要将二维卷积操作改进为一维卷积操作，以适应原始振动信号的输入。

本发明上述检测方法中构建的深度卷积神经网络模型中，参见图2，该模型包括输入层、隐含层和输出层，其中隐含层为十二层，采用五层卷积层、五层降采样池化层与两层全连接层组成模型框架，卷积层与降采样池化层交替设置，全连接层在深度卷积神经网络模型的后置位。具体地，参见表1，深度卷积神经网络模型隐含层的架构为：依次相连的卷积层C1，池化层P2，卷积层C3，池化层P4，卷积层C5，池化层P6，卷积层C7，池化层P8，卷积层C9，池化层P10，全连接层F11以及全连接层F12。数据处理和计算由层与层之间的节点执行。

表1

网络层	核大小	核数量	输出大小
				C1	64×1	16	512×16
P2	2×1	16	256×16
				C3	3×1	32	256×32
P4	2×1	32	128×32
				C5	3×1	64	128×64
P6	2×1	64	64×64
				C7	3×1	64	64×64
P8	2×1	64	32×64
				C9	3×1	64	32×64
P10	2×1	64	16×64
				F11	100	1	100×1
F12	12	1	12×1

为适应旋转机械周期性振动信号，区别于其他卷积层，卷积层C1的卷积核采用64×1的大卷积核，便于提取特征；卷积层C3、C5、C7和C9的卷积核大均为3×1，其深度分别为16、32、64、64；池化层P2、P4、P6、P8和P10采用最大池化操作，P2层为4×4，其余均为2×2的结构；全连接层F11的输出为100×1，F12层为12×1，最终经过softmax分类器分为12类。最终经过卷积神经网络的最终输出为12维的one-hot类型的向量，如果振动信号对应的是第一种故障，则输出为[0,1,0,0,0,0,0,0,0,0,0,0]，若对应第二种故障，则输出为[0,0,1,0,0,0,0,0,0,0,0,0]，若没有发生故障，设备正常运行则输出[1,0,0,0,0,0,0,0,0,0,0,0]。

卷积层中，卷积核是一系列能够共享参数的参数矩阵，一组连接可以共享同一个权重，而不是每个连接有一个不同的权重。卷积层的输出为：

式中，表示卷积层的输出，表示线性操作，ξ(·)表示激活函数，×表示卷积操作，表示卷积核，J表示卷积核的数目，M表示卷积核的宽度，N表示卷积核的长度，表示上一层的卷积层输出，表示偏重参数。

在卷积层输出中，激活函数的作用是将线性操作进行非线性话，增强拟合效果。针对旋转机械耦合故障难以提取的特征，采用归一化策略，对各卷积层的神经元激活值进行自标准化操作，应用缩放指数线性单位(简称：SELUs)激活函数实现对各卷积层的神经元激活值进行自标准化操作，所述缩放指数线性单位激活函数表示为：

式中，λ＝1.050700987355480493419，α＝1.673263242354377284817。

采用缩放指数线性单位(简称：SELUs)激活函数进行自标准化操作，避免在提取高维特征时梯度突然消失或者***性增长的问题。

本发明上述检测方法，选择在卷积层之后增加池化层进行池化操作，主要是进行下采样，通过去掉卷积后得到的特征信息中不重要的样本，进一步减少参数数量。本发明上述检测方法中，进行下采样的方法采用最大池化方法，池化层的最大池化定义为：

式中，表示第l层第i个神经元的池化输出，c表示池化大小。

本发明上述检测方法，全连接层添加在整个深度卷积神经网络模型的后置位，全连接层与bp神经网络中的网络层为相同结构，主要是将网络学习到的特征映射到样本的标记空间中，把卷积层输出的二维特征图转化为一个一维的向量，便于后续的故障分类。全连接层的全连接计算定义为：

式中，表示全连接层的线性激活，表示全连接层的权重参数矩阵，x^l-1表示上一层的网络层输出。

参见图3，上述检测方法中，深度卷积神经网络模型反向传播训练的步骤为：

(1)训练数据集输入至深度卷积神经网络模型中，计算深度卷积神经网络模型的目标损失函数；

(2)采用梯度下降法计算梯度，适应性矩估计算法更新权重参数矩阵；

(3)训练Epoch是否达到要求值，若未达到则返回步骤(1)，否则结束训练，保存训练后的权重参数矩阵。

具体地，设给定故障数据集为其中x^e是第e个数据样本，e＝1,2,...,E表示样本数目，为one-hot类型的向量，表示不同健康状况的标签；采用softmax分离器对耦合故障时域振动信号进行分类，样本x^e的网络预测结果表示为：

式中，是最末层全连接层的权重矩阵，x^e,l-1是l-1层卷积层的输出矩阵，b^l表示第l层的偏重矩阵；

则深度卷积神经网络模型的目标损失函数定义为：

深度卷积神经网络模型使用梯度下降法对上述目标损失函数进行优化，以此更新权重参数矩阵与偏重参数矩阵。

本发明上述检测方法中，采用的深度卷积神经网络模型，由于层数为12层，层数较深，采用适应性矩估计算法基于训练数据迭代地更新神经网络权重参数矩阵。具体地，适应性矩估计算法更新权重参数矩阵的具体步骤为：

将学习率α、一阶矩估计衰减率β₁、二阶矩估计衰减率β₂、数值稳定常数ε、深度卷积神经网络模型的权重参数矩阵θ、目标损失函数L(θ)、训练次数n、batch size s、一阶矩估计m以及二阶矩估计v输入至深度卷积神经网络模型中；

初始化学习率α＝0.001，一阶矩估计衰减率β₁为0.9，二阶矩估计衰减率β₂为0.99，数值稳定常数ε＝10^-8；初始化神经网络的权重参数矩阵θ，采用标准差为0.1的随机初始化；同时初始化一阶矩估计m为0、二阶矩估计v为0，训练次数n为0；

当没有达到训练终止条件，即目标损失函数L(θ)未收敛或者训练次数未达到规定次数时：

n←n+1

梯度下降法计算梯度，

更新偏一阶矩估计，m←β₁m+(1-β₁)g

更新偏二阶矩估计，v←β₂v+(1-β₂)g⊙g

计算一阶矩偏差，

计算二阶矩偏差，

更新权值，

达到训练终止条件，返回权值参数θ。

本发明上述检测方法，利用旋转机械在正常工况和故障工况下采集的振动信号数据作为训练数据集，建立深度卷积神经网络模型，将训练数据集直接作为输入，对深度卷积神经网络模型参数进行训练，并保存训练后的参数数据，采集实时工况下的数据作为测试数据，通过深度卷积神经网络模型实现故障检测。本发明上述检测方法，无需工业过程精确的数学模型，便于实际应用；同时实现了故障检测和故障工况的类别区分，能够有效监测出产生机械损坏的具体部件，检测准确率高。

参见图7，本发明还提供了一种旋转机械耦合故障检测***，包括：

数据采集模块1，用于采集工业过程正常工况下与发生耦合故障下的振动信号；

与数据采集模块1连接的训练数据集生成模块2，用于将采集的振动信号生成训练数据集；

与所述训练数据集生成模块2连接的深度卷积神经网络模型3，用于诊断故障；

模型训练模块4，用于训练深度卷积神经网络模型；

参数存储模块5，用于存储所述深度卷积神经网络模型训练后的参数；

故障判断模块6，与所述数据采集模块1和深度卷积神经网络模型3连接，用于利用深度卷积神经网络模型对数据采集模块1采集的数据进行故障判断。

本发明上述旋转机械耦合故障监测***通过数据采集模块采集机械传动***中平行轴齿轮箱中轴承与齿轮的耦合振动传感器数据，作为在线测试数据，该测试数据与模型训练模块中的训练数据集数据一致。利用本发明上述监测***可以检测识别到已经训练的齿轮轴承耦合故障，并检测出该故障所属类型，判断是否有故障发生，故障检测准确率高，实用性强。

为了验证本发明上述旋转机械耦合故障的检测方法对耦合旋转机械故障的有效性，以及验证本发明上述旋转机械耦合故障监测***，以下以两个具体实施例分别其进行说明。

实施例一：采用风力涡轮机动力传动故障诊断综合实验台，通过实验台上的加速度传感器采集平行轴齿轮箱的轴承与齿轮耦合故障振动信号，共采集11种故障工况与正常工况下的机械振动信号，制作训练数据集与测试数据集。

采集的振动信号共12种不同的故障类型，参见表2。由表2可知，12种故障类型分别为：(1)正常情况N，(2)内圈轴承故障IF，(3)滚子轴承故障条件RF，(4)外圈轴承故障OF，(5)内圈、滚珠和外圈条件发生耦合故障IRO，(6)滚珠轴承和缺口齿轮状态(RCH)发生耦合故障，(7)滚珠轴承和裂纹齿轮状态(RCR)发生耦合故障，(8)外圈轴承和缺齿齿轮状态(OCH)发生联轴器故障，(9)外圈轴承和裂纹齿轮状态(OCR)发生耦合故障，(10)内圈轴承和缺齿齿轮状态(ICH)发生联轴器故障，(11)内圈轴承和裂纹齿轮状态(ICR)发生耦合故障，(12)在滚珠轴承、裂纹和缺口齿轮状态耦合故障RCC。每种故障的时域振动信号参见图4。

表2

为了证明本发明利用深度卷积神经网络模型在旋转机械耦合故障检测问题上的有效性，本发明通过与BP神经网络、SCNN(激活函数为sigmoid函数)以及稀疏自编码器来对比验证。

设置学习率为0.001，dropout为0.5，每2048个采样点作为一个数据样本，采用696个数据样本进行训练，实验总共进行1500次训练。深度卷积神经网络模型共采用12层网络层的结构，采用小批次训练。

通过训练测试，由测试过程的损失函数曲线如图5所示，曲线已经达到了收敛状态。对比实验，对12种不同故障的识别分类情况，不同算法下的旋转机械耦合故障诊断的准确率参见表4。由表4可知，本发明利用深度卷积神经网络模型的正确识别率达到了95.8％，相比较于传统BP神经网络的60.3％，稀疏自编码器的76.2％以及SCNN的81.5％，分别提升了30.3％，19.4％以及8.1％。

表4

算法	样本类型	样本大小	准确率
				ANN	时域信号	2048×1	60.3％
稀疏自编码器	时域信号	2048×1	76.2％
				SCNN(Sigmoid)	时域信号	2048×1	81.5％
DCNN	时域信号	2048×1	95.8％

为了详细说明每种健康状况的分类结果，绘制该实验的测试精度的混淆矩阵，混淆矩阵参见图6。由图6可知，相比于耦合故障，单个故障更容易被识别且能够获得更高的准确率，接近100％，而轴承与齿轮的耦合故障分类准确率稍差，有一定几率分到耦合在一起的单一故障中去，但仍能保证90％以上的准确率。

实施例二：为了验证本发明旋转机械耦合故障监测***对能够满足在线监测的实时性要求，测试监测***诊断数据时的时间与批大小的关系。通过在不同批大小上进行测试，可以得到所提出的***诊断一个信号所需要的时间约为44ms，所采用风力涡轮机动力传动故障诊断综合实验台中采集机械振动信号的加速度传感器的采样频率为5.12KMz，每个样本信号取2048个采样点，时间与批大小的关系参见表5，由表5可知，本发明旋转机械耦合故障监测***可以很好的满足实时性的要求。

表5

批大小	11	23	35	47	59	71	83
								时间(s)	0.0439	0.0437	0.0423	0.0445	0.0451	0.0438	0.0427

以上所举实施例仅用为方便举例说明本发明，并非对本发明保护范围的限制，在本发明所述技术方案范畴，所属技术领域的技术人员所作各种简单变形与修饰，均应包含在以上申请专利范围中。

Claims (8)

1.一种旋转机械耦合故障的检测方法，其特征在于，含有以下步骤：

(一)采集工业过程正常工况下与发生耦合故障下的多段传感器测量数据作为训练数据，并建立训练数据集；

(二)建立深度卷积神经网络模型，该模型设有十二层隐含层，采用五层卷积层、五层降采样池化层与两层全连接层组成模型框架，卷积层与降采样池化层交替设置，全连接层在深度卷积神经网络模型的后置位；

(三)将训练数据集输入到深度卷积神经网络模型中，对神经元激活值进行自归一化操作，进行梯度反向传播训练，更新深度卷积神经网络模型各网络层的权重矩阵参数和偏重矩阵参数；

(四)存储深度卷积神经网络模型训练后各网络层的权重参数矩阵和偏重参数矩阵；

(五)采集在线传感器数据，利用深度卷积神经网络模型对采集的在线传感器数据进行故障所属类型检测，根据故障所属类型判断是否有故障发生。

2.如权利要求1所述的旋转机械耦合故障的检测方法，其特征在于，步骤(一)中，建立训练数据集的具体步骤为：采集工业过程正常工况下与故障状态下轴承与齿轮耦合故障时域振动信号，包括正常状态与11种故障状态共12种状态，根据不同的故障类型添加标签，每2048个采样点作为一个数据样本，制作训练数据集。

3.如权利要求2所述的旋转机械耦合故障的检测方法，其特征在于，步骤(二)中，在深度卷积神经网络模型中，卷积层的输出为：

式中，表示卷积层的输出，表示线性操作，ξ(·)表示激活函数，×表示卷积操作，表示卷积核，J表示卷积核的数目，M表示卷积核的宽度，N表示卷积核的长度，表示上一层的卷积层输出，表示偏重参数；

池化层的最大池化定义为：

式中，表示第l层第i个神经元的池化输出，c表示池化大小；

全连接层与bp神经网络中的网络层为相同结构，全连接层的全连接计算定义为：

式中，表示全连接层的线性激活，表示全连接层的权重参数矩阵，x^l-1表示上一层的网络层输出。

4.如权利要求3所述的旋转机械耦合故障的检测方法，其特征在于，步骤(三)中，采用缩放指数线性单位激活函数实现对各卷积层的神经元激活值进行自标准化操作，所述缩放指数线性单位激活函数表示为：

式中，λ＝1.050700987355480493419，α＝1.673263242354377284817。

5.如权利要求3或4所述的旋转机械耦合故障的检测方法，其特征在于，步骤(三)中，反向传播训练的步骤为：

(1)训练数据集输入至深度卷积神经网络模型中，计算深度卷积神经网络模型的目标损失函数；

(2)采用梯度下降法计算梯度，适应性矩估计算法更新权重参数矩阵；

(3)训练Epoch是否达到要求值，若未达到则返回步骤(1)，否则结束训练，保存训练后的权重参数矩阵。

6.如权利要求5所述的旋转机械耦合故障的检测方法，其特征在于，步骤(三)中，设给定故障数据集为其中x^e是第e个数据样本，e＝1,2,...,E表示样本数目， 为one-hot类型的向量，表示不同健康状况的标签；采用softmax分离器对耦合故障时域振动信号进行分类，样本x^e的网络预测结果表示为：

式中，是最末层全连接层的权重矩阵，x^e,l-1是l-1层卷积层的输出矩阵，b^l表示第l层的偏重矩阵；

则深度卷积神经网络模型的目标损失函数定义为：

7.如权利要求5所述的旋转机械耦合故障的检测方法，其特征在于，步骤(三)中，适应性矩估计算法更新权重参数矩阵的具体步骤为：

将学习率α、一阶矩估计衰减率β₁、二阶矩估计衰减率β₂、数值稳定常数ε、深度卷积神经网络模型的权重参数矩阵θ、目标损失函数L(θ)、训练次数n、batch sizes、一阶矩估计m以及二阶矩估计v输入至深度卷积神经网络模型中；

初始化学习率α＝0.001，一阶矩估计衰减率β₁为0.9，二阶矩估计衰减率β₂为0.99，数值稳定常数ε＝10^-8；初始化神经网络的权重参数矩阵θ，采用标准差为0.1的随机初始化；同时初始化一阶矩估计m为0、二阶矩估计v为0，训练次数n为0；

当没有达到训练终止条件，即目标损失函数L(θ)未收敛或者训练次数未达到规定次数时：n←n+1

梯度下降法计算梯度，

更新偏一阶矩估计，m←β₁m+(1-β₁)g

更新偏二阶矩估计，v←β₂v+(1-β₂)g⊙g

计算一阶矩偏差，

计算二阶矩偏差，

更新权值，

达到训练终止条件，返回权值参数θ。

8.一种旋转机械耦合故障监测***，其特征在于，包括：

数据采集模块，用于采集工业过程正常工况下与发生耦合故障下的振动信号；

与数据采集模块连接的训练数据集生成模块，用于将采集的振动信号生成训练数据集；

与所述训练数据集生成模块连接的深度卷积神经网络模型，用于诊断故障；

模型训练模块，用于训练深度卷积神经网络模型；

参数存储模块，用于存储所述深度卷积神经网络模型训练后的参数；

故障判断模块，与所述数据采集模块和深度卷积神经网络模型连接，用于利用深度卷积神经网络模型对数据采集模块采集的数据进行故障判断。