本发明属于一种机械装备故障诊断方法，提供一种结合多通道残差和深度学习的作动器故障诊断的方法。
利用系统正常状态下不同传感器的输入输出数据训练多个神经网络观测器，然后根据系统实际输入输出数据生成多通道残差，并对多通道残差进行特征提取和融合，最后利用深度学习训练诊断模型实现故障诊断。
多通道残差使得数据结构简约化的同时保留了故障特征信息，并且减小了传统模型方法对专家知识和经验的依赖。
此外，多源信息、多通道残差特征提取和深度学习故障诊断能够充分利用多传感器的数据特征信息和深度学习的复杂数据处理优势，能够实现多冗余结构的作动器故障诊断并提高作动器故障诊断的准确率。

苗强 苗建国 王剑宇 罗冲 严幸友

四川大学

610065 四川省成都市武侯区一环路南一段24号

本发明属于一种机械装备故障诊断方法，提供一种结合多通道残差和深度学习的作动器故障诊断的方法。
利用系统正常状态下不同传感器的输入输出数据训练多个神经网络观测器，然后根据系统实际输入输出数据生成多通道残差，并对多通道残差进行特征提取和融合，最后利用深度学习训练诊断模型实现故障诊断。
多通道残差使得数据结构简约化的同时保留了故障特征信息，并且减小了传统模型方法对专家知识和经验的依赖。
此外，多源信息、多通道残差特征提取和深度学习故障诊断能够充分利用多传感器的数据特征信息和深度学习的复杂数据处理优势，能够实现多冗余结构的作动器故障诊断并提高作动器故障诊断的准确率。