一种应对时变转速工况的角域深度解卷积方法

本发明提供一种应对时变转速工况的角域深度解卷积方法，涉及机械设备故障诊断技术领域。首先建立了多层神经网络架构，并利用特征学习与滤波过程在数学上的等价性质，将特征学习引入解卷积框架中以解决优化问题；接着采用能有效衡量时变转速下故障特征的角域指标平均峭度作为目标函数，引导神经网络的优化方向；然后通过实施自适应权值更新和特征学习策略，逐步提取和强化故障特征；最后在输出层构建基于角域相关系数的降维策略，锁定相关系数最大的两个信号分量，并舍弃其中平均峭度值较小的分量，实现对高维信号的降维，以获取最优输出结果。本发明通过采用平均峭度作为目标函数，有效克服了时变转速下信号周期性遭到破坏的挑战，同时利用深度神经网络架构和特征学习的优势，显著提高了低信噪比条件下故障特征的提取精度，在实际工业环境中具有更好的应用性。