CN109918752A - 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 - Google Patents

Abstract

本发明公开了一种基于迁移卷积神经网络的机械故障诊断方法、设备及介质，包括步骤：(1)首先从多个实验装备上获得大量有标签的历史数据，并做简单归一化处理；(2)构建一维卷积神经网络，通过逐层堆叠获得初始可迁移卷积神经网络模型；(3)网络模型预训练，利用源域数据集对卷积神经网络的权值和偏置进行更新优化获得优化的可迁移卷积神经网络模型；(4)在目标域数据集上利用小的样本集在预训练的深度网络上对网络权值和偏置进行自适应逐层调优迁移，从而获得调优的可迁移卷积神经网络；(5)将待预测实例样本输入到调优的神经网络中获得故障类别的分类输出。本发明能够实现不同工况和不同试验设备之间的迁移诊断，并明显提高分类精度和训练速度。

Description

基于迁移卷积神经网络的机械故障诊断方法、设备及介质

技术领域

本发明属于机械制造技术领域，涉及一种机械故障智能诊断技术，具体涉及一种基于深度迁移卷积神经网络的机械故障智能诊断方法、设备及介质。

背景技术

现代化生产的机械设备功能越来越多，结构越来越复杂，自动化程度也日益提高，而设备通常运行在高负荷、高腐蚀和高作业率的环境中，运行工况也越来越苛刻。因此开发有效的故障监测和诊断技术，实时可靠的监测机械设备的健康状况，对延长设备使用寿命，保障正常生产和人员生命安全具有重要意义，近年来已逐渐受到国内外的重视。

基于数据驱动的智能诊断方法，如决策树(DT)，支持矢量机(SVM)，人工神经网络(ANN)通过利用大量历史数据来建立和优化参数，进而建立智能诊断模型，已经广泛的应用于旋转机械的故障诊断，并取得了较好的效果。

近年来深度学习方法如堆叠自编码网络(SAE)，深度置信网络(DBN)和卷积神经网络(CNN)通过构建多层深度结构能有效的对复杂函数进行近似，从而相比浅层学习算法具有更强大的特征学习和表达能力以及数据处理能力，逐渐成为在机械大数据背景下，进行智能故障诊断的有效工具。

然而基于深度神经网络的智能诊断算法，通常需要大量的样本来训练有效的诊断模型，一方面，当构建的算法应用于新的诊断任务时，由于运行工况或者监测设备不同，导致采集的数据分布不一致，因而模型需要在该任务下重新训练。另一方面，在实际的工程应用中，通常机械设备运行在变载荷变转速工况下，设备在不同工况采集的数据通常伴随着样本不均衡，样本缺失，典型故障样本不足等问题。在这种情况下，深度学习模型在原任务表现很好，在新的诊断任务下可能会导致大的性能损失。

发明内容

为了解决现有技术存在的问题，本发明设计一种基于深度迁移卷积神经网络的机械故障智能诊断方法、设备及介质，所述方法通过利用卷积神经网络在大量历史数据上学习的诊断知识，采用迁移学习逐层调优来建立源域诊断知识和目标域诊断知识之间的映射，减少两者之间数据分布差异，进而获得可迁移的诊断模型，提出的方法更适用于实际工况的智能诊断实例。

本发明采用以下技术方案来实现：

一种基于迁移卷积神经网络的机械故障诊断方法，包括步骤：

步骤1、数据采集和标定，设计多种试验装备故障实验，采集多种工况下的数据，按一定的数据点长度截取获得大量的样本集X，将已知故障类型的样本根据故障类别进行标定，设定类别标签Y，并根据工况和实验设备划分出源域数据集以及目标域数据集其中m代表源域数据中的样本数目，n代表目标域数据中样本数目；

步骤2、构建一维卷积神经网络模型，针对振动信号为一维时域信号的特点，采用TensorFlow深度学习框架，搭建一维卷积神经网络，所述一维卷积神经网络结构包含卷积层(Conv)、最大池化层(Max-pooling)，批次归一化层(BN层)、Dropout层、全连接层和Softmax分类层，通过逐层堆叠获得初始可迁移卷积神经网络模型；

步骤3、网络模型预训练，针对l层的卷积神经网络，利用步骤1构建的源域数据集{X^s,Y^s}，采用反向传播算法和梯度下降法对卷积神经网络的权值和偏置{W₁,W₂,…,W_l}进行更新优化，W₁～W_l分别对应卷积神经网络第1层到第l层的初始参数，包括网络权值和偏置，并采用网格搜索算法选取相应超参数，最终获得优化的可迁移卷积神经网络模型；

步骤4、知识迁移，采用目标域数据集，对预训练的卷积神经网络模型参数{W₁,W₂,…,W_l}根据新的诊断任务自适应逐层调优迁移；

步骤5、故障诊断，针对获得的最优模型，对待预测的样本输入到调优迁移的可迁移卷积神经网络中，从而获得每类故障的概率值，实现故障类别的分类输出，最终诊断出机械故障类型。

进一步地，步骤1中，所述源域数据集和目标域数据集来源于实验室实验平台或实际工业环境设备监测平台。

进一步地，步骤1中，采集多种工况下的数据时还包括步骤：对所采集的数据进行预处理，即将采集的数据集进行分段，并将所得的样本集进行归一化到[-1,1]之间，适用于网络的输入。

进一步地，步骤2所构建的卷积神经网络采用卷积层(Conv)、批次归一化层(BN层)、最大池化层(Max-pooling)、Dropout层依次堆叠排列，采用ReLU线性修正单元激活函数，输出采用Softmax分类器。

进一步地，所述的步骤3具体包括：

针对l层的卷积神经网络，其网络需要优化的参数为{W₁,W₂,…,W_l},W₁～W_l分别对应卷积神经网络第l层的初始参数，利用步骤1构建的源域数据集{X^s,Y^s}，采用Adam算法和交叉熵损失函数，对输入进行卷积操作；

再采用批标准化处理，对网络包含m个样本的输入批次{x₁,x₂,…,x_m}，计算最终批次归一化输出为：

根据等式(1)先求出每个小批次的均值μ_B，然后在等式(2)中进一步求出批次的方差σ_B，接下来在等式(3)中对输入做归一化处理,获得归一化的值其中ε是平滑因子，防止方差为0时，输出为无穷大，并在等式(4)的最终批次归一化输出中引入缩放参数γ和平移参数β来进一步提高数值输出稳定性，所述缩放参数γ和平移参数β参数在网络训练时采用反向传播算法进行更新；

经过批次归一化，网络进一步采用池化处理来减少特征尺寸，同时获得一定的平移不变特征，进而对获得的特征映射X采用Dropout技术，添加输入干扰，其最终输出为：

X＝X·Bernoulli(p) (5)

p～Uniform(0,1) (6)

其中，Bernoulli(p)为基于概率p的伯努利二项分布，p通过等式(6)从均匀分布随机采样获得；等式(5)用于随机对输入信号进行置零,给深度网络添加输入干扰，强迫网络从缺失值中学习局部和全局有用特征，减少网络的过拟合，提高分类性能；

经过逐层输入到输出的前馈传播，在训练阶段，对卷积神经网络采用反向传播算法和梯度下降法对权值和偏置进行更新优化，并采用网格搜索算法选取相应超参数，最终获得优化的可迁移卷积神经网络模型。

进一步地，步骤4所述的自适应逐层调优迁采用的优化算法包括SGD算法。

进一步地，所述步骤4具体包括：

首先保持前k层参数W₁～W_k的权值和偏置不变，直接迁移应用到目标网络中，进而仅对剩下的网络层参数W_k+1～W_l的权值和偏置进行调优，通过设定迭代次数和分类精度为停止准则，最终针对不同分类任务获得最优的迁移层数k，其迁移公式可以表述为：

T^s＝F(X^s,Y^s；W^s) (7)

T^t＝F(X^t,Y^t；W^t) (8)

其中，F(·)代表卷积神经网络的逐层映射函数，W^s和W^t分别代表原迁移网络和目标域网络的权值和偏置参数，T^s和T^t分别代表源域和目标域的输出，迁移学习的目的在于通过W^s→W^t，采用直接迁移权值和偏置或者调优权值和偏置来实现源域诊断知识到目标域诊断知识的复用。

进一步地，所述步骤5中通过Softmax分类器输出每种故障属于不同类别的概率值，针对监测设备采集到的数据，采用Softmax公式，获得第i个待测试样本，对应的故障概率值P(y_i|x_i)的计算公式为：

其中，分子项中x_i代表上一层第i个特征映射的输入，y_i代表对应类别的输出概率值，分母项∑_j exp(x_j)代表所有样本输出值的总和。

一种电子设备，包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述程序时，实现如权利要求1至8中任一项所述的基于迁移卷积神经网络的机械故障诊断方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于迁移卷积神经网络的机械故障诊断方法。

与现有技术相比，本发明的有益效果是：

1、本发明方法采用一维卷积神经网络，可以从原始振动信号出发学习复杂的故障判别信息，不需要额外的特征提取过程，同时采用Dropout和BN批次归一化技术构建深度网络模型，提高诊断的智能性和准确性。

2、本发明方法可以借助实验室数据或者工业设备的历史数据学习诊断知识，并可迁移到不同工况，不同实验设备的故障诊断实例中，尤其适用于在故障样本不足，样本不均衡情况下的故障诊断工程应用。

3、本发明通过预训练策略给予目标网络模型一个好的初始化值，从而为快速和有效的训练深度神经网络提供了一个潜在的工具和技术，同时减少了过拟合的风险。此外该策略还可以进一步的节约训练时间，提高分类性能。

4、从迁移模型的角度来看，本发明不仅适用于卷积神经网络模型(CNN),同时还可以扩展到其它深度学习模型，比如深度置信网络(DBN),堆叠自编码网络(SAE)以及长短期记忆网络(LSTM)等。

附图说明

图1是本发明方法的故障诊断流程图。

图2是本发明方法的网络结构示意图。

图3是本发明方法深度卷积神经网络迁移方案图。

图4是本发明方法与传统训练方法损失函数比较图。

图5是本发明方法与传统深度学习方法精度比较图。

具体实施方式

为了使本发明的技术方案和目的更加的清楚明白，下面结合附图和具体实施步骤对本发明进行详细说明，应当理解，此处所描述的具体实施步骤只用于更好的阐述本发明的应用，但本发明的实施方式所涉及到的技术特征不限于此。

一种基于迁移卷积神经网络的机械故障诊断方法，其算法流程如图1所示，所述方法采用卷积神经网络在历史数据上进行学习，并将其迁移到目标网络来改进诊断性能。该方法包括步骤：

步骤一：数据集的采集与标定，设计多种试验装备故障实验，采集多种工况下的数据，按一定的数据点长度截取获得大量的样本集X，将已知故障类型的样本根据故障类别进行标定，设定类别标签Y，并根据工况和实验设备划分出源域数据集(用于构建可迁移的卷积神经网络),以及目标域数据集(用于测试提出的网络性能),其中m代表源域数据中的样本数目，n代表目标域数据中样本数目；

步骤二：构建一维卷积神经网络模型，模型的示意图如图2所示，针对振动信号为一维时域信号的特点，采用TensorFlow深度学习框架，搭建一维卷积神经网络(CNN)模型，该模型共包含6个构建块，每个构建块通过顺序堆叠多层的卷积层(Conv)、最大池化层(Max-pooling)，BN层、Dropout层、全连接层和Softmax分类层，通过逐层堆叠获得初始的可迁移卷积神经网络。

步骤三：网络模型预训练，采用步骤一构建的数据集训练深度卷积神经网络,网络输入为原始归一化后的振动信号，网络需要优化的参数为{W₁,W₂,…,W₆}，分别对应网络各个构建块的权值和偏置参数。网络采用ReLU线性修正单元激活函数，所采用的输入矢量为2000×1的向量，但可适用于其它输入矢量长度，其输出采用Softmax分类器，采用Dropout和BN批次归一化技术来给网络施加正则化。

Dropout在训练过程中通过对前一层输入随机置零的方式，来给网络添加额外的噪声干扰，从而迫使网络学习到更加鲁棒性的特征。BN批次归一化技术是在卷积神经网络训练过程中对每一个输入批次在每一层神经网络的输出强制归一化到标准正态分布，从而使得每一层输出特征映射都保持相同数据分布的，有利于加速网络收敛速度，提高网络泛化性能。

步骤四：在步骤三的基础上，采用目标域数据集对网络参数{W₁,W₂,…,W₆}的权值和偏置进行逐层调优迁移，如图3所示，如调优一层神经网络，则首先保持构建块B1～B5中的网络参数{W₁,W₂,…,W₆}的权值和偏置不变，直接迁移到目标域网络中，而参数W₆的权值和偏置采用小的数据集进行训练微调以适应新的任务，通过设置合适的迭代次数和分类精度准则，对不同诊断任务可分别获得最优的迁移层数k(迁移模型)其迁移公式可以表述为：

T^s＝F(X^s,Y^s；W^s) (7)

T^t＝F(X^t,Y^t；W^t) (8)

其中，F(·)代表卷积神经网络的逐层映射函数，W^s和W^t分别代表原迁移网络和目标域网络的权值和偏置参数，T^s和T^t分别代表源域和目标域的输出，迁移学习的目的在于通过W^s→W^t，采用直接迁移权值和偏置或者调优权值和偏置来实现源域诊断知识到目标域诊断知识的复用。

步骤五：故障诊断，针对获得的最优模型，对待预测的样本输入到调优迁移的可迁移卷积神经网络中，从而获得每类故障的概率值，实现故障类别的分类输出，最终诊断出机械故障类型。采用Softmax公式，获得第i个待测试样本，对应的故障概率值P(y_i|x_i)的计算公式为：

其中，分子项中x_i代表上一层第i个特征映射的输入，y_i代表对应类别的输出概率值，分母项∑_jexp(x_j)代表所有样本输出值的总和。。

具体而言，步骤1中，所述源域数据集和目标域数据集来源于实验室实验平台或实际工业环境设备监测平台，而并不局限于特定的数据采集环境。

具体而言，步骤1中，采集多种工况下的数据时还包括步骤：对所采集的数据进行预处理，即将采集的数据集进行分段，并将所得的样本集进行归一化到[-1,1]之间，适用于网络的输入。

具体而言，所述的步骤3具体包括：

针对6层的卷积神经网络，其网络需要优化的参数为{W₁,W₂,…,W₆},W₁～W₆分别对应卷积神经网络第l层的初始参数，利用步骤1构建的源域数据集{X^s,Y^s}，采用Adam算法和交叉熵损失函数，对输入进行卷积操作；

再采用批标准化处理，对网络包含m个样本的输入批次{x₁,x₂,…,x_m}，计算最终批次归一化输出为：

根据等式(1)先求出每个小批次的均值μ_B，然后在等式(2)中进一步求出批次的方差σ_B，接下来在等式(3)中对输入做归一化处理，获得归一化的值其中ε是平滑因子，防止方差为0时，输出为无穷大。并在等式(4)的最终批次归一化输出中引入缩放参数γ和平移参数β来进一步提高数值输出稳定性，所述缩放参数γ和平移参数β参数在网络训练时采用反向传播算法进行更新；

经过批次归一化，网络进一步采用池化处理来减少特征尺寸，同时获得一定的平移不变特征，进而对获得的特征映射X采用Dropout技术，添加输入干扰，其最终输出为：

X＝X·Bernoulli(p) (5)

p～Uniform(0,1) (6)

其中，Bernoulli(p)为基于概率p的伯努利二项分布，p通过等式(6)从均匀分布随机采样获得；等式(5)用于随机对输入信号进行置零,给深度网络添加输入干扰，强迫网络从缺失值中学习局部和全局有用特征，减少网络的过拟合，提高分类性能；

经过逐层输入到输出的前馈传播，在训练阶段，对卷积神经网络采用反向传播算法和梯度下降法对权值和偏置进行更新优化，并采用网格搜索算法选取相应超参数，最终获得优化的可迁移卷积神经网络模型(TCNN)。

下文结合附图和实验案例对本发明做进一步说明。

实验案例：

1、实验数据

数据集包括源域数据集和目标域数据集。源域数据集由齿轮箱传动实验台的数据集和凯斯西储大学(CWRU)轴承数据中心电机试验台数据集组成。齿轮箱数据集共有十种健康状态，包括无故障齿轮和轴承，齿轮轻微断齿，中度断齿，完全断齿，轴承外圈0.2mm故障，外圈2mm故障以及复合故障类型(包括内圈0.2mm故障与齿轮三种复合故障，以及内圈2mm与齿轮中度和完全断齿复合故障)。每种健康状态采集两种运行转速500rpm和750rpm。每类健康状况在单一转速下具有500训练样本和400测试样本。电机试验数据集共有十种健康状况，包括无故障轴承，轴承内圈故障，外圈故障，滚动体故障，每种故障包含三种不同的严重水平(0.007inch,0.014inch和0.021inch)，共采集三种转速1772rpm,1750rpm和1730rpm.每类健康状况在单一转速下具有500训练样本和300测试样本。因此源域数据集共有20种故障类型，共包含25000训练样本和17000测试样本，训练样本用于充分训练一维卷积神经网络，测试样本用于验证构造的卷积网络模型性能。

目标域数据集包含四种诊断实例，实例C1与C2采自源域齿轮箱传动试验台，具有十种健康状况，但收集自不同转速工况(C1采集自1250rpm,C2采集自1000rpm和1250rpm)，每类健康状况在单一转速下具有200训练样本和100测试样本。实例C3和C4采自一个转子轴承实验平台，共有5种健康状况，包括无故障轴承，轴承内圈0.5mm故障，内圈2mm故障，外圈0.5mm故障，外圈2mm故障。每种健康状态采集两种转速800rpm和1100rpm。其中C3实例采集1100rpm，C4实例采集自800rpm和1100rpm。C1和C2实例用于模拟变工况下的网络模型迁移，C3和C4实例用于模拟不同测试平台下的网络模型迁移。每类健康状况在单一转速下具有200训练样本和100测试样本。

2、方法验证

构建的卷积神经网络参数如表1所示:

表1：构建的卷积神经网络参数

提出来的卷积神经网络包含六个构建块B1～B6，每个构建块由不同的层构成，其中B1～B5都包含了一个卷积层(Convolution),一个BN层，一个Max-pooling层，一个Dropout层。B6由两个卷积层(Convolution)，两个BN层，两个Dropout层和一个Softmax层组成,其它具体的网络参数如表1所示。首先卷积神经网络在源域齿轮和电机数据集上进行充分的预训练，训练算法为Adam算法，训练迭代次数为200次。网络预训练好以后，将最后的构建块B6根据诊断任务的不同进行自适应的改变，其输出层的类别对应于需要诊断的实例健康状况类别，在网络调优迁移训练中，采用SGD算法，学习率设置为0.01，动量系数设置为0.97，共迭代100次。

(1)本发明方法(TCNN)与未迁移的卷积神经网络模型(CNN)作比较

CNN与TCNN具有相同的网络结构，CNN是随机初始化的权值和偏置，然后在目标域实例上训练，而TCNN是按照本发明在源域数据集上充分预训练的网络模型，因而已经获得了一个好的初始值，然后在目标实例上训练。图4是CNN与TCNN的损失曲线图，由图可知，CNN在100次迭代中仍然具有较大的波动，而TCNN在20次迭代次数时，损失曲线就已经达到了好的收敛，只有小的波动。表2是对应的分类精度和训练时间。TCNN-20代表TCNN在20次迭代下获得的结果。由表中可以看出，相比未迁移的CNN,提出来的迁移神经网络TCNN在四个数据集上分别达到了99.9％，99.3％，97.9％，96.5％的分类精度，同时具有更小的标准差和更少的训练时间。特别的TCNN-20即使在训练20次的情况下仍然取得了竞争力的结果。

表2：TCNN与未迁移的CNN比较

(2)本发明的方法(TCNN)与其它深度学习方法作比较

按照本发明提出来的TCNN模型与其它深度学习方法做比较包括DNN，2DCNN(采用二维卷积神经网络结构)，WDCNN和TWDCNN(将提出来的发明用于WDCNN模型的迁移学习)。其比较结果如表3和图5。从结果可以看出，相比其它方法，TCNN在分类精度和标准差上都取得了最好的效果。特别的TWDCNN采用提出的发明方法，明显改进了WDCNN网络的性能，显示出本发明的优越性。

表3：TCNN与其它深度学习方法比较

为了实现上述实施例，本发明实施例还提供了一种电子设备，包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述程序时，实现如所述的基于迁移卷积神经网络的机械故障诊断方法。

为了实现上述实施例，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如所述的基于迁移卷积神经网络的机械故障诊断方法。

本发明针对在机械故障智能诊断中数据分布不一致、故障样本不足、网络泛化能力差的问题，以多级变速齿轮箱和电机为研究对象，通过利用卷积神经网络在大量的历史数据中学习的诊断知识，采用迁移学习方法将故障知识迁移到新的诊断任务，提出适用于实际工况的智能诊断方法。

需要说明的是，虽然已经参照实例对本发明实施进行了详细的阐述，但本领域的技术人员容易理解，在不偏离所附权利要求中所阐述的本发明的精神和原则之内所作的任何修改、替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于迁移卷积神经网络的机械故障诊断方法，其特征在于，包括步骤：

步骤1、数据采集和标定，设计多种试验装备故障实验，采集多种工况下的数据，按一定的数据点长度截取获得大量的样本集X，将已知故障类型的样本根据故障类别进行标定，设定类别标签Y，并根据工况和实验设备划分出源域数据集以及目标域数据集其中m代表源域数据中的样本数目，n代表目标域数据中样本数目；

步骤2、构建一维卷积神经网络模型，针对振动信号为一维时域信号的特点，采用TensorFlow深度学习框架，搭建一维卷积神经网络，所述一维卷积神经网络结构包含卷积层、最大池化层，批次归一化层、Dropout层、全连接层和Softmax分类层，通过逐层堆叠获得初始可迁移卷积神经网络模型；

步骤3、网络模型预训练，针对l层的卷积神经网络，利用步骤1构建的源域数据集{X^s,Y^s}，采用反向传播算法和梯度下降法对卷积神经网络的权值和偏置{W₁,W₂,…,W_l}进行更新优化，W₁～W_l分别对应卷积神经网络第1层到第l层的初始参数，包括网络权值和偏置，并采用网格搜索算法选取相应超参数，最终获得优化的可迁移卷积神经网络模型；

步骤4、知识迁移，采用目标域数据集，对预训练的卷积神经网络模型参数{W₁,W₂,…,W_l}根据新的诊断任务自适应逐层调优迁移；

步骤5、故障诊断，针对获得的最优模型，对待预测的样本输入到调优迁移的可迁移卷积神经网络中，从而获得每类故障的概率值，实现故障类别的分类输出，最终诊断出机械故障类型。

2.根据权利要求1所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，步骤1中，所述源域数据集和目标域数据集来源于实验室实验平台或实际工业环境设备监测平台。

3.根据权利要求1所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，步骤1中，采集多种工况下的数据时还包括步骤：对所采集的数据进行预处理，即将采集的数据集进行分段，并将所得的样本集进行归一化到[-1,1]之间，适用于网络的输入。

4.根据权利要求1所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，步骤2所构建的卷积神经网络采用卷积层、批次归一化层、最大池化层、Dropout层依次堆叠排列，采用ReLU线性修正单元激活函数，输出采用Softmax分类器。

5.根据权利要求1所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，所述的步骤3具体包括：

针对l层的卷积神经网络，其网络需要优化的参数为{W₁,W₂,…,W_l},W₁～W_l分别对应卷积神经网络第l层的初始参数，利用步骤1构建的源域数据集{X^s,Y^s}，采用Adam算法和交叉熵损失函数，对输入进行卷积操作；

再采用批标准化处理，对网络包含m个样本的输入批次{x₁,x₂,…,x_m}，计算最终批次归一化输出为：

根据等式(1)先求出每个小批次的均值μ_B，然后在等式(2)中进一步求出批次的方差σ_B，接下来在等式(3)中对输入做归一化处理,获得归一化的值其中ε是平滑因子，防止方差为0时，输出为无穷大，并在等式(4)的最终批次归一化输出中引入缩放参数γ和平移参数β来进一步提高数值输出稳定性，所述缩放参数γ和平移参数β参数在网络训练时采用反向传播算法进行更新；

经过批次归一化，网络进一步采用池化处理来减少特征尺寸，同时获得一定的平移不变特征，进而对获得的特征映射X采用Dropout技术，添加输入干扰，其最终输出为：

X＝X·Bernoulli(p) (5)

p～Uniform(0,1) (6)

其中，Bernoulli(p)为基于概率p的伯努利二项分布，p通过等式(6)从均匀分布随机采样获得；等式(5)用于随机对输入信号进行置零,给深度网络添加输入干扰，强迫网络从缺失值中学习局部和全局有用特征，减少网络的过拟合，提高分类性能；

经过逐层输入到输出的前馈传播，在训练阶段，对卷积神经网络采用反向传播算法和梯度下降法对权值和偏置进行更新优化，并采用网格搜索算法选取相应超参数，最终获得优化的可迁移卷积神经网络模型。

6.根据权利要求1所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，步骤4所述的自适应逐层调优迁采用的优化算法包括SGD算法。

7.根据权利要求6所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，所述步骤4具体包括：

首先保持前k层参数W₁～W_k的权值和偏置不变，直接迁移应用到目标网络中，进而仅对剩下的网络层参数W_k+1～W_l的权值和偏置进行调优，通过设定迭代次数和分类精度为停止准则，最终针对不同分类任务获得最优的迁移层数k，其迁移公式可以表述为：

T^s＝F(X^s,Y^s；W^s) (7)

T^t＝F(X^t,Y^t；W^t) (8)

其中，F(·)代表卷积神经网络的逐层映射函数，W^s和W^t分别代表原迁移网络和目标域网络的权值和偏置参数，T^s和T^t分别代表源域和目标域的输出，迁移学习的目的在于通过W^s→W^t，采用直接迁移权值和偏置或者调优权值和偏置来实现源域诊断知识到目标域诊断知识的复用。

8.根据权利要求1所述的基于迁移卷积神经网络的机械故障诊断方法，其特征在于，所述步骤5中通过Softmax分类器输出每种故障属于不同类别的概率值，针对监测设备采集到的数据，采用Softmax公式，获得第i个待测试样本，对应的故障概率值P(y_i|x_i)的计算公式为：

其中，分子项中x_i代表上一层第i个特征映射的输入，y_i代表对应类别的输出概率值，分母项∑_jexp(x_j)代表所有样本输出值的总和。

9.一种电子设备，其特征在于：包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述程序时，实现如权利要求1至8中任一项所述的基于迁移卷积神经网络的机械故障诊断方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于迁移卷积神经网络的机械故障诊断方法。