基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法技术

技术编号:19686191 阅读:26 留言:0更新日期:2018-12-08 09:53
本发明专利技术涉及一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理;设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;在测试集上对得到的模型进行性能测试。本发明专利技术通过以理想信号代替原始信号作为重构目标,有效避免了原始信号中的噪声对模型参数优化的干扰,隐藏层可以提取具有噪声鲁棒性的特征,从而提高故障诊断模型性能的稳定性,在训练数据含有噪声的情况下,仍能学习到适合故障诊断的模型参数集合。

【技术实现步骤摘要】
基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法
本专利技术涉及轴承故障诊断领域,具体地说是一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法。
技术介绍
滚动轴承在旋转型机械设备当中有着广泛的应用,滚动轴承的运行状态很大程度上影响了旋转机械的运行精度与可靠性。对滚动轴承的状态进行实时检测,快速准确判断轴承故障类型,对于维护机械设备寿命、保证生产安全具有重要意义。目前,国内外对于滚动轴承的故障诊断主要是通过信号处理的方式提取故障特征,再利用模式识别的方式进行故障诊断,这种方式取得了较好的效果,但需要依靠大量专家经验。随着现代制造系统中监测信号类型和数量的日益增加,滚动轴承故障诊断步入了“大数据”时代,依赖于专家经验提取故障特征的传统诊断方式难以准确快速有效地处理大量数据,如何从大规模数据中自动学习故障特征,进行故障诊断,并保证滚动轴承故障诊断的准确性与稳定性是目前亟需解决的问题。深度学习由于在特征提取和模式识别领域的优势,目前已被广泛应用于机械设备、电气系统、航空航天等领域的故障诊断。由于稀疏自编码的结构比其它深度学习模型结构简单,存在容易设计和训练的优势,其在以深度学习为基础的滚动轴承故障诊断研究中起到了重要作用。现有机械设备的工作环境复杂,滚动轴承时域振动信号的采集过程很容易受到噪声的影响。稀疏自编码是以被噪声污染的时域振动信号为重建目标,使原始信号中的噪声对模型参数优化产生很大干扰,使得隐藏层无法提取具有噪声鲁棒性的特征,大大降低了故障诊断模型性能的稳定性。
技术实现思路
针对现有技术的不足,本专利技术提供一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,解决了稀疏自编码以被噪声污染的时域振动信号为重建目标的问题。本专利技术为实现上述目的所采用的技术方案是:一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,包括以下步骤:步骤1:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间;步骤2:设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;步骤3:在测试集上对得到的模型进行性能测试。所述无损约束降噪稀疏自编码滚动轴承故障诊断模型包括:一个经过无损约束降噪方法优化的稀疏自编码、两个稀疏自编码和一个softmax分类器;对经过无损约束降噪方法优化的稀疏自编码进行预训练,从原始信号中提取第一层特征,将第一层特征输入到稀疏自编码SAE1,对其进行预训练产生第二层特征,将第二层特征输入到稀疏自编码SAE2,对其进行预训练产生第三层特征,将第三层特征输入到softmax分类器,对其进行故障分类,根据故障分类误差对诊断模型整体参数进行微调。所述经过无损约束降噪方法优化的稀疏自编码为:在以Relu函数为编码函数,softplus函数为解码函数的自编码中,对隐藏层神经元的激活值添加L1正则约束,促使隐藏层生成稀疏性特征,得到基础的稀疏自编码模型;在对基础的稀疏自编码模型进行训练的过程中,以假设的理想信号为重构目标,并在该假设的理想信号与实际信号之间添加欧式距离约束,得到经过无损约束降噪方法优化的稀疏自编码。所述假设的理想信号为不包含噪声的时域振动信号。所述对该模型进行无损约束降噪优化过程包括:所述对经过无损约束降噪方法优化的稀疏自编码进行预训练的过程包括:步骤1:以原始信号对假设的理想信号进行初始化;步骤2:以批量梯度下降优化算法优化模型中的权重和偏置,进行一定次数的迭代,直至模型整体误差降到设定误差阈值,停止迭代;步骤3:对权重和偏置进行固定,对假设的理想信号进行求解,固定该理想信号,并返回步骤2,直至迭代次数达到预设迭代次数,跳出步骤3。所述预设迭代次数根据诊断模型在验证集上的诊断准确率进行调整。对稀疏自编码SAE1和稀疏自编码SAE2进行预训练以及对诊断模型整体参数进行微调的过程采用批量梯度下降优化算法实现。本专利技术具有以下有益效果及优点:1.本专利技术的LSAE模型在训练过程中,通过以理想信号代替原始信号作为重构目标,有效避免了原始信号中的噪声对模型参数优化的干扰。2.本专利技术的隐藏层可以提取具有噪声鲁棒性的特征,从而提高故障诊断模型性能的稳定性。3.本专利技术在训练数据含有噪声的情况下,仍能学习到适合故障诊断的模型参数集合。附图说明图1是本专利技术的故障诊断方法流程图;图2是本专利技术的故障诊断模型结构图;图3是本专利技术的自编码结构图;图4是本专利技术的经过无损约束降噪方法优化的稀疏自编码结构图;图5是本专利技术的对经过无损约束降噪方法优化的稀疏自编码进行预训练流程图。具体实施方式下面结合附图及实施例对本专利技术做进一步的详细说明。如图1所示为本专利技术的故障诊断方法流程图。主要包括以下三个步骤:(1)信号预处理:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间。(2)模型训练:模型训练过程中,根据经验制定超参数{γ,β,λ}选值区间,以模型在验证集准确率作为标准,采用网格搜索方式寻找最优的超参数组合。(3)模型固定:对最优超参数组合下的诊断模型进行固定,并在测试集上对模型进行诊断性能测试。如图2所示是本专利技术的故障诊断模型结构图。故障诊断模型由一个LSAE、两个SAE和softmax分类器组成的滚动轴承故障诊断模型,模型的建立主要包括预训练和微调两个阶段,在模型预训练阶段,以原始信号作为输入对LSAE进行训练,将获得的隐藏层特征向量作为SAE1的输入,对SAE1进行训练,同理,将SAE1隐藏层输出向量作为输入对SAE2进行训练。每个训练过程,都进行多次迭代,以获得稳定的参数。微调阶段,将SAE2隐藏层的特征向量输入到softmax分类器进行分类,计算分类器输出与实际标签之间的误差,以批量梯度下降算法对整个模型参数进行微调,经过多次迭代使得误差收敛后,对模型参数进行固定。图3是本专利技术的自编码结构图。自编码(AutoEncoder,SAE),AE的理解可以分为编码器和解码器两个部分。编码器:通过编码函数fθ(x),将归一化的D维输入向量x从输入层映射到隐藏层,得到d维编码特征h,如公式(1)所示h=fθ(x)=σ(Wx+b)(1)式中:σ表示激活函数,一般选取sigmoid或Relu函数。θ={W,b}表示编码映射参数,W是一个d×D维的权值矩阵,b是d维偏置向量。解码器:以解码函数gθ′(h)将编码特征h映射到D维重构向量y,如公式(2)所示y=gθ′(h)=σ(W′h+b′)(2)式中:σ表示激活函数,一般选取线性函数或softplus函数。θ′={W′,b′}表示解码映射参数,W′与W之间存在“捆绑”约束即W′=WT,b′是D维偏置向量。自编码的训练阶段,就是通过不断地优化参数{θ,θ′}={W,b,W′,b′},使得输入向量x和重构向量y之间的重构误差L(x,y)最小化,重构误差函数通常由均方误差和正则化项构成,如公式(3)所示。式中:第一项是均方误差项,n表示样本数目。第二项是正则化项,表示对神经元之间的所有连接权重进行L2正则约束,β为正则化项权重。图4是本专利技术的本文档来自技高网...

【技术保护点】
1.一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:包括以下步骤:步骤1:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间;步骤2:设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;步骤3:在测试集上对得到的模型进行性能测试。

【技术特征摘要】
1.一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:包括以下步骤:步骤1:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间;步骤2:设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;步骤3:在测试集上对得到的模型进行性能测试。2.根据权利要求1所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述无损约束降噪稀疏自编码滚动轴承故障诊断模型包括:一个经过无损约束降噪方法优化的稀疏自编码、两个稀疏自编码和一个softmax分类器;对经过无损约束降噪方法优化的稀疏自编码进行预训练,从原始信号中提取第一层特征,将第一层特征输入到稀疏自编码SAE1,对其进行预训练产生第二层特征,将第二层特征输入到稀疏自编码SAE2,对其进行预训练产生第三层特征,将第三层特征输入到softmax分类器,对其进行故障分类,根据故障分类误差对诊断模型整体参数进行微调。3.根据权利要求2所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述经过无损约束降噪方法优化的稀疏自编码为:在以Relu函数为编码函数,softplus函数为解码函数的自编码中,对隐藏层神经元的激活值添加L1正则约束,促使隐藏层生成稀疏性特征,...

【专利技术属性】
技术研发人员:杜劲松孙宏浩杨旭褚云凯
申请(专利权)人:中国科学院沈阳自动化研究所
类型:发明
国别省市:辽宁,21

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