一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法技术

技术编号:11755231 阅读:569 留言:0更新日期:2015-07-22 03:27
本发明专利技术提出了一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法,本方法在滚动轴承故障分析的基础上,针对目前分类算法鲁棒性和精度受限的问题,借鉴图像模式识别的相关领域知识,采用基于多层神经网络的深度学习自主认知方法,通过层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达,并将重构数据输入至Softmax回归模型判断滚动轴承的工作状态和故障类型。试验结果分析表明,该方法能有效地应用于滚动轴承的故障诊断。

【技术实现步骤摘要】
一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法
本专利技术涉及滚动轴承故障诊断的
,具体涉及一种基于层叠降噪自动编码器(StackedDenoisingAutoencoder)和Softmax回归(SoftmaxRegression)的深度学习滚动轴承故障诊断方法。
技术介绍
滚动轴承是航空航天、电力、石化、冶金以及机械等工业部门中使用最为广泛,也是最易损伤的部件之一。旋转机械的许多故障都与滚动轴承有密切关系,据统计在使用滚动轴承的旋转机械设备中,约30%的机械故障是与轴承损伤有关联的。可见,滚动轴承是否发生故障对于整个旋转机械甚至整条生产线的运行状态有着重大的影响。基于人们提高滚动轴承可靠性和安全性的迫切需要,有必要采用一种监控方式来监视轴承的运行状态,不断检测轴承的变化和故障,进而采取必要的措施,防止轴承的损坏和事故的发生。故障诊断技术通过对设备故障特征参数的跟踪,能够对设备的健康状态做出诊断,是确保系统可靠运行的有效措施。对于诊断来说,良好的特征表达对模式识别的准确性起关键作用。特征的样式一般都是人工设计的,靠人工提取特征,因此识别系统的计算和测试工作耗时主要集中在特征提取部分。目前存在大量人工设计的特征,如SIFT,HOG和LBP等等,不同研究对象特征不同,特征具有多样性,很难找到统一的、适用于不同对象的模型。此外,手工选取特征费时费力,需要有启发式专业知识,模型的准确性很大程度上靠经验和运气。一般而言,特征越多给出的信息就越多,识别准确性也会提升。但是,特征越多计算越复杂,探索的空间大,可以用来训练的数据在每个特征上就会越稀疏。由此可知,特征既不是越多越好,也不是越少越好,需要多少特征,需要由学习确定。人的视觉系统的信息处理是分级的,高层的特征是低层特征的组合,从低层到高层的特征表示越来越抽象,越来越能表示语义或者意图,抽象层面越高,存在的可能猜测就越少,越利于分类。2006年,加拿大多伦多大学教授、机器学习泰斗GeoffreyHinton在《Science》发表论文提出深度学习主要观点:多隐层的神经网络具有优异的特征学习能力,学习得到的特征对数据有更本质的刻画,从而有利于可视化或者分类;深度神经网络在训练上的难度,可以通过“逐层学习”来有效克服,逐层学习通过无监督学习来实现。总之,与传统的特征提取方法相比,深度学习网络通过构建多隐层的模型和海量训练数据(可以为无标签数据)来自动地学习更有用的特征,从而最终提升分类或预测的准确性。
技术实现思路
本专利技术针对现有技术存在的上述问题,提供一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法,该方法能有效地应用于滚动轴承的故障诊断。本专利技术采用的技术方案为:一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法,该方法包括如下步骤:第一步:基于均匀分布的原始数据“遮挡”预处理该方法以滚动轴承的原始数据作为输入样本x,采用遮挡处理,即在该样本中加入随机噪声,以均匀分布(qD分布)将输入层的部分节点置0,得到新的输入样本x';然后以遮挡处理后的x'作为SDA神经网络模型的输入,通过多层神经网络的深度学习来表达出遮挡前的样本x,实现对原始数据的重构,从而实现高鲁棒性的特征自表达,提高故障诊断的抗噪能力;第二步:基于SDA模型的滚动轴承特征无监督自学习过程通过对滚动轴承故障模式的分析,得出滚动轴承在不同故障模式下的振动数据,然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理,通过无监督自学习训练SDA模型;该方法中的无监督自学习过程是一个深度学习的过程,SDA模型框架是具有两个隐层的神经网络,通过对数据的逐层学习得到最终的重构基向量,且将神经网络第一个隐层的输出作为第二个隐层的输入;第三步:基于Softmax回归与参数微调算法的故障诊断选择Softmax回归算法作为滚动轴承故障诊断算法,以SDA算法重构出的基向量作为Softmax算法的输入,解决滚动轴承在多个故障模式下的分类问题,通过最小化代价函数计算每一种分类结果出现的概率,并利用参数微调的方法对深度学习神经网络整体进行优化,如果某故障特征计算的概率值最大,即确定故障为当前估计的故障模式。本专利技术与现有技术相比的优点在于:(1)区别于传统的时频域信号特征提取方法,本专利技术借鉴图像模式识别领域的相关知识,利用层叠降噪自动编码器的深度学习方法直接对原始数据进行重构,保留了数据的全部信息,可以有效挖掘数据的本质特征。(2)本专利技术在对输入样本遮挡降噪处理的基础上,构建层叠降噪自动编码器,通过无监督自学习重建降噪前的原始输入样本,针对外界未知干扰影响,有效提高了数据的抗噪能力,在故障诊断中具备更强的鲁棒性。(3)本专利技术将无监督学习特征输入Softmax回归模型,并进行微调,使得故障分类精度达到99%以上,极大地提高了滚动轴承故障诊断精度。附图说明图1为基于SDA和Softmax回归的滚动轴承故障诊断方法流程;图2为轴承数据的一阶特征表达;图3为轴承数据的二阶特征表达;图4为基于Softmax回归模型的轴承故障分类;图5为SDA模型结构;图6为滚动轴承原始数据“遮挡”处理;图7为滚动轴承数据生成试验台示意图。具体实施方式下面结合附图以及具体实施例进一步说明本专利技术。本专利技术基于SDA和Softmax回归的滚动轴承故障诊断方法流程如图1所示。本方案主要包括SDA模型的训练和测试两个过程。SDA模型的训练过程可总结为如下三步:第一步:基于均匀分布的原始数据“遮挡”预处理为了增加故障诊断的鲁棒性,本方法以滚动轴承的原始数据作为输入样本x,采用遮挡处理,即在该样本中加入随机噪声,以均匀分布(qD分布)将输入层的部分节点置0,得到新的输入样本x'。然后以遮挡处理后的x'作为SDA神经网络模型的输入,通过多层神经网络的深度学习来表达出遮挡前的样本x,实现对原始数据的重构,增加了故障诊断的鲁棒性。第二步:基于SDA模型的滚动轴承特征无监督自学习过程通过对滚动轴承故障模式的分析,得出滚动轴承在不同故障模式下的振动数据,然后利用第一步的方法将得到的正常和故障数据进行遮挡处理,通过无监督自学习训练SDA模型。本方法中的无监督自学习过程是一个深度学习的过程,SDA模型框架是具有两个隐层的神经网络,通过对数据的逐层学习得到最终的重构基向量,且神经网络第一个隐层的输出作为第二个隐层的输入。为了提高故障诊断的鲁棒性,我们将输入层和第一个隐层的输出均进行“遮挡”处理。第三步:基于Softmax回归与参数微调算法的故障诊断选择Softmax回归算法作为滚动轴承故障诊断算法。以SDA算法重构出的基向量作为Softmax算法的输入,解决滚动轴承在多个故障模式下的分类问题。通过最小化代价函数计算每一种分类结果出现的概率,并利用参数微调的方法对深度学习神经网络整体进行优化。如果某故障特征计算的概率值最大,即确定故障为当前估计的故障模式。第二步的基于SDA的滚动轴承特征无监督自学习过程,具体为:1.SDA深度学习模型结构SDA算法模型是基于传统的层叠自动编码器(SAE)的改进算法,在神经网络的训练逻辑和构建过程中具有相似性,是一个由多层稀疏自动编码器组成的深度学习神经网络,其前一层自编码器的输出作为后一层自编码本文档来自技高网
...
一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法

【技术保护点】
一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法,其特征在于:该方法包括如下步骤:第一步:基于均匀分布的原始数据“遮挡”预处理该方法以滚动轴承的原始数据作为输入样本x,采用遮挡处理,即在该样本中加入随机噪声,以均匀分布(qD分布)将输入层的部分节点置0,得到新的输入样本x';然后以遮挡处理后的x'作为SDA神经网络模型的输入,通过多层神经网络的深度学习来表达出遮挡前的样本x,实现对原始数据的重构,从而实现高鲁棒性的特征自表达,提高故障诊断的抗噪能力;第二步:基于SDA模型的滚动轴承特征无监督自学习过程通过对滚动轴承故障模式的分析,得出滚动轴承在不同故障模式下的振动数据,然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理,通过无监督自学习训练SDA模型;该方法中的无监督自学习过程是一个深度学习的过程,SDA模型框架是具有两个隐层的神经网络,通过对数据的逐层学习得到最终的重构基向量,且将神经网络第一个隐层的输出作为第二个隐层的输入;第三步:基于Softmax回归与参数微调算法的故障诊断选择Softmax回归算法作为滚动轴承故障诊断算法,以SDA算法重构出的基向量作为Softmax算法的输入,解决滚动轴承在多个故障模式下的分类问题,通过最小化代价函数计算每一种分类结果出现的概率,并利用参数微调的方法对深度学习神经网络整体进行优化,如果某故障特征计算的概率值最大,即确定故障为当前估计的故障模式。...

【技术特征摘要】
1.一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法,其特征在于:该方法包括如下步骤:第一步:基于均匀分布的原始数据“遮挡”预处理该方法以滚动轴承的原始数据作为输入样本x,采用遮挡处理,即在该样本中加入随机噪声,以均匀分布将输入层的部分节点置0,得到新的输入样本x';然后以遮挡处理后的x'作为SDA神经网络模型的输入,通过多层神经网络的深度学习来表达出遮挡前的样本x,实现对原始数据的重构,从而实现高鲁棒性的特征自表达,提高故障诊断的抗噪能力;第二步:基于SDA模型的滚动轴承特征无监督自学习过程通过对滚动轴承故障模式的分析,得出滚动轴承在不同故障模式下的振动数据,然后利用第一步的步骤将得到的正常和故障数据进行遮挡处理,通过无监督自学习训练SDA模型;该方法中的无监...

【专利技术属性】
技术研发人员:吕琛马剑王振亚李连峰赵万琳
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1