基于改进S变换与深度学习的滚动轴承故障智能诊断方法技术

本发明专利技术公开了一种基于改进S变换与深度学习的滚动轴承故障智能诊断方法，通过对S变换加入窗宽调节因子的方式来改变其高斯窗函数窗宽，进而改善S变换的时频分辨率，使其能精确地检测到振动信号中的冲击分量，以便更好的提取滚动轴承振动信号的故障特征。本方法对轴承故障的振动信号做改进S变换，得到信号的特征矩阵，将特征矩阵按列展开成特征向量输入到稀疏自动编码器模型中，利用编码器的特性，进一步提取数据的深层特征，挖掘出人工无法识别的一些重要的隐含信息；并对提取到的特征做出准确的分类。本发明专利技术可以有效的提高滚动轴承故障诊断的准确率。

【技术实现步骤摘要】
基于改进S变换与深度学习的滚动轴承故障智能诊断方法
本专利技术涉及滚动轴承故障诊断和计算机人工智能
，具体涉及一种基于改进S变换和深度学习的滚动轴承故障诊断方法。
技术介绍
滚动轴承是装备制造业的关键基础件和重要的旋转零件，被人们称为机械的关节。它具有效率高，摩擦阻力小，润滑易实现等优点，在旋转机械上应用十分普遍。然而滚动轴承也是旋转机械中最易发生故障的一个部件，据统计，其在各类故障中占有很高的比例，约达30％。这是因为滚动轴承是机械设备中工作条件最为恶劣的部件，在机械设备中起着承受负荷和传载负荷的作用，它的运行状态直接影响到整台机械设备的性能。因此，对轴承故障做出准确的诊断，有着巨大的现实意义。对轴承故障的诊断主要通过处理轴承的振动信号，提取故障特征，再进行分类。因此这其中包含了信号处理与模式识别两部分。传统的信号处理方法如傅里叶变换等，不能很好地适应轴承振动信号这种非平稳信号。随着生产技术的不断提高，工业生产也进入大数据时代，面对庞大的数据规模，传统的依靠人工的特征提取方法也不能很好的适用，因此，急需一种智能的，故障诊断领域继续一种智能的，可以处理大数据的方法出现。2006年，机器学习泰斗Hinton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数据训练数据来自动学习更有用的特征，从而最终提升分类或预测的准确性。
技术实现思路
针对上述技术问题，本专利技术的目的在于提供一种基于改进S变换与深度学习的滚动轴承故障诊断方法。为实现上述目的，本专利技术是根据以下技术方案实现的：种基于改进S变换与深度学习的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤S1：获取滚动轴承在不同故障状态下的振动信号；步骤S2：对振动信号做改进的S变换，通过设置窗宽调节因子的方式改善其时域分辨率，增强其对冲击信号的检测效果，提取信号的故障特征，通过改进S变换获得振动信号的特征矩阵；步骤S3：将特征矩阵按列展开成特征向量作为神经网络的输入，分为无标签数据和有标签数据两组，使用无标签数据实现网络的预训练，再用有标签数据微调整个网络参数，完成稀疏自动编码器神经网络模型的构建；步骤S4：将新的待测故障信号按照上述步骤处理，输入到已经训练好的网络模型中，实现轴承故障的智能诊断。上述技术方案中，S变换的高斯窗函数表达式为σ(f)＝1/f，f为频率，窗宽大小与频率有关，不受其他因素影响，所述步骤S1中改进S变换通过加入窗宽调节因子，使窗宽表达式变为σ(f)＝g/f，加入调节因子g后，窗函数宽度不仅与频率有关，还可以通过调节g的取值来改变窗宽，从而加强S变换的时域或频域的分辨率，根据海森堡不确定性原理，时域与频域分辨率不能同时提高，因此缩小窗宽，获得更高的时域分辨率，增大窗宽，就能提升频域分辨率，对于滚动轴承振动信号来说，其冲击成分有效的表征故障特征，因此通过设置窗宽调节因子的方式来提升S变换的时域分辨率，使其更精确地检测到振动信号中的冲击分量，更好地提取信号的故障特征。上述技术方案中，步骤S3中的稀疏自动编码器网络模型构建是通过以下步骤实现的：使用无标签样本，采用自下而上的逐层贪婪无监督训练算法构造单层网络，每层采用自编码算法进行参数学习，每次调整一层，逐层调整，得到网络的权值与阈值；采用监督学习在第一步学习得到的权值的基础上，使用带标签的样本通过BP算法自上而下，微调整个网络参数，完成稀疏自动编码器神经网络模型的构建。本专利技术与现有技术相比，具有如下优点：本专利技术一是改进S变换通过引入窗宽调节因子可以根据需要通过改变调节因子的方式来改变S变换高斯窗函数的窗宽，以获取更高的时域分辨率并更为精确的检测信号中的冲击分量，以便更好的提取到轴承振动信号的特征。经过S变换后得到的特征矩阵将信号时域与频域的信息结合起来，更利于信号特征的表达。二是利用稀疏自动编码器神经网络强大的学习能力，由简单到复杂，由低级到高级，深度地挖掘数据内部的隐含特征，极大提升了分类的准确率。相较传统的人工提取特征方法来说更准确，更快速，更稳定，更智能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本专利技术所述一种基于改进S变换与深度学习结合的滚动轴承故障检测方法的流程图。图2(a)是S变换得到的特征矩阵的三维图；图2(b)是S变换得到的特征矩阵的时频域波形图；图2(c)是S变换得到的特征矩阵的频域波形图；图3(a)是改进S变换处理轴承冲击信号g＝0.5的效果对比图；图3(b)是改进S变换处理轴承冲击信号g＝1的效果对比图；图3(c)是改进S变换处理轴承冲击信号g＝25的效果对比图；图4是自动编码器的结构示意图；图5是滚动轴承数据生成试验台示意图；图6是在不同神经网络参数下分类准确率的柱形图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。本专利技术基于改进S变换与深度学习结合的滚动轴承故障诊断方法流程图如图1所示，包括如下步骤：步骤S1：获取滚动轴承在不同故障状态下的振动信号；步骤S2：对振动信号做改进的S变换，通过设置窗宽调节因子的方式改善其时域分辨率，增强其对冲击信号的检测效果，提取信号的故障特征，通过改进S变换获得振动信号的特征矩阵；步骤S3：将特征矩阵按列展开成特征向量作为神经网络的输入，分为无标签数据和有标签数据两组，使用无标签数据实现网络的预训练，再用有标签数据微调整个网络参数，完成稀疏自动编码器神经网络模型的构建；步骤S4：将新的待测故障信号按照上述步骤处理，输入到已经训练好的网络模型中，实现轴承故障的智能诊断。其中，步骤S2中改进S变换通过加入窗宽调节因子，通过调节因子来改变窗宽，从而加强S变换对于信号特征提取的能力。本专利技术首先介绍一下改进S变换。第一步：介绍S变换原理。S变换最早由Stockwell在1996年提出，它是在短时傅里叶变换和小波变换的基础上发展起来的，在继承二者优点的同时也改善了缺陷。其继承了短时傅里叶变换单频率独立分析和小波变换多分辨率分析的能力，而且其采用高斯窗函数，窗宽与频率的倒数成正比，免去了窗函数的选择和窗宽固定的缺陷，非常适合处理非平稳信号。信号x(t)的连续S变换表达式如下：式中：ω(t-τ,f)为高斯窗函数；τ为平移因子，用于控制高斯窗在时间轴t上的位置；f为频率。由(1)式可以看出S变换不同于短时傅里叶变换，其高斯窗的高度和宽度随频率变化，这样可以克服短时傅里叶变换窗口高度和宽度一致的缺陷。如果令τ＝mT，f＝n/NT，根据(1)式可得S变换的离散形式如下：式中X[k]为时间序列x(m)的离散傅里本文档来自技高网...

【技术保护点】
1.一种基于改进S变换与深度学习的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤S1：获取滚动轴承在不同故障状态下的振动信号；步骤S2：对振动信号做改进的S变换，通过设置窗宽调节因子的方式改善其时域分辨率，增强其对冲击信号的检测效果，提取信号的故障特征，通过改进S变换获得振动信号的特征矩阵；步骤S3：将特征矩阵按列展开成特征向量作为神经网络的输入，分为无标签数据和有标签数据两组，使用无标签数据实现网络的预训练，再用有标签数据微调整个网络参数，完成稀疏自动编码器神经网络模型的构建；步骤S4：将新的待测故障信号按照上述步骤处理，输入到已经训练好的网络模型中，实现轴承故障的智能诊断。

【技术特征摘要】
1.一种基于改进S变换与深度学习的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤S1：获取滚动轴承在不同故障状态下的振动信号；步骤S2：对振动信号做改进的S变换，通过设置窗宽调节因子的方式改善其时域分辨率，增强其对冲击信号的检测效果，提取信号的故障特征，通过改进S变换获得振动信号的特征矩阵；步骤S3：将特征矩阵按列展开成特征向量作为神经网络的输入，分为无标签数据和有标签数据两组，使用无标签数据实现网络的预训练，再用有标签数据微调整个网络参数，完成稀疏自动编码器神经网络模型的构建；步骤S4：将新的待测故障信号按照上述步骤处理，输入到已经训练好的网络模型中，实现轴承故障的智能诊断。2.根据权利要求1所述的一种基于改进S变换与深度学习的滚动轴承故障诊断方法，其特征在于：S变换的高斯窗函数表达式为σ(f)＝1/f，f为频率，窗宽大小与频率有关，不受其他因素影响，所述步骤S1中改进S变换通过加入窗宽调节因子，使窗宽表达式变为σ...

【专利技术属性】
技术研发人员：时培明，苏冠华，殷晓迪，田警辉，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北,13