基于DTC-VAE神经网络的旋转机械健康指标构建方法

摘要

本发明公开了一种基于DTC‑VAE神经网络的旋转机械健康指标构建方法，包括采集旋转机械全生命周期的振动信号x，计算振动信号x时域和频域特征，根据特征集划分为训练集和测试集，以训练集数据作为输入构建退化趋势约束变分自编码器DTC‑VAE模型，利用优化器AdamOptimizer以DTC‑VAE模型的损失函数最小值为优化目标进行无监督训练；将测试集数据输入训练好的退化趋势约束变分自编码器DTC‑VAE模型中，得到的测试隐变量Z，对测试隐变量Z进行归一化得到健康指标h。本申请可以通过DTC‑VAE模型和多维时域和频域特征来构建健康指标，利用隐变量来表征机械部件的退化过程，保证了旋转机械健康指标的准确性。