A fault diagnosis method of rolling bearing and sparse encoder based on support vector machine, using the method of autonomous learning cognitive laminated auto encoder based on sparse depth, from simple to complex, from low to high automatically extract the essential characteristics of the input data, digging out the rich information hidden in the known data; the extraction of deep learning the characteristics and features of the two layers to study together constitute the input of support vector machine, a support vector machine classifier which can determine the working condition of the roller bearing fault type. The method can improve the efficiency and accuracy of fault feature extraction.
【技术实现步骤摘要】
本专利技术涉及滚动轴承参数诊断领域,尤其是一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法。
技术介绍
滚动轴承是应用最广泛机械零件之一,同时也是机械设备中最容易损坏的元件之一,它的运行状态直接影响整台设备的功能。据不完全统计,在使用滚动轴承的旋转机械中,大约有30%的机械故障都是由轴承引起的。产生轴承故障的原因有疲劳剥落,磨损,塑性变形,锈蚀,断裂,胶合,保持架损坏等。如果不及时诊断轴承早期故障,将使机器设备产生严重故障,从而造成巨大的经济损失。因此,诊断出轴承的早期故障特征对避免严重故障的发生,保证机械设备的正常运行有着重大的现实意义。对于滚动轴承的故障诊断来说,良好的特征表达对故障模式识别的准确性起关键作用。特征的适当选择和提取常常包含着各种各样的经典的和现代的信号处理方法和技术,目前常用的机械故障特征提取方法主要有快速傅里叶变换、时频分析、高阶统计量理论和分形理论。但是,这些提取特征的方法都是靠人工提取的,并且在故障模式识别的计算和测试中会消耗大量的时间。此外,手工选取特征不仅费时费力,而且在研究不同对象时需要提取的特征也不尽相同。由于特征具有多样性,这样就很难找到统一的、适用于不同对象的模型。
技术实现思路
本专利技术目的在于提供一种特征数据分类简单、诊断准确性高的基于稀疏编码器和支持向量机的滚动轴承故障诊断方法。为实现上述目的,本专利技术所述诊断方法包括以下步骤:步骤1,以滚动轴承的原始振动数据作为输入样本,采用小波去噪,去除干扰噪声然后对滚动轴承的原始振动数据进行快速傅里叶变换得到新的轴承振动频谱信号X;步骤2,通过线性归一化方法,对轴承振 ...
【技术保护点】
一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法,其特征在于,所述诊断方法包括以下步骤:步骤1,以滚动轴承的原始振动数据作为输入样本,采用小波去噪,去除干扰噪声然后对滚动轴承的原始振动数据进行快速傅里叶变换得到新的轴承振动频谱信号X;步骤2,通过线性归一化方法,对轴承振动频谱信号X进行归一化处理后得到轴承振动频谱信号X1;步骤3,将轴承振动频谱信号X1输入SSAE模型,对滚动轴承特征进行深度学习;其中,SSAE模型是多个稀疏编码器(Sparse Auto Encoder,SAE)叠加,第一级稀疏编码器的输出作为第二级稀疏编码器的输入,第二级稀疏编码器的输出作为第三级稀疏编码器的输入,以此类推;通过对数据的逐层学习完成DNN网络预训练,然后通过带标签的样本使用BP算法以误差最小化为原则自上向下传输完成DNN网络的微调;步骤4,将步骤3中提取到的两层特征综合到一起构成支持向量机的输入,以粒子群算法对支持向量机的参数进行优化,通过训练样本对支持向量机进行训练,然后使用训练好的支持向量机对测试样本进行测试,完成对滚动轴承的故障诊断。
【技术特征摘要】
1.一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法,其特征在于,所述诊断方法包括以下步骤:步骤1,以滚动轴承的原始振动数据作为输入样本,采用小波去噪,去除干扰噪声然后对滚动轴承的原始振动数据进行快速傅里叶变换得到新的轴承振动频谱信号X;步骤2,通过线性归一化方法,对轴承振动频谱信号X进行归一化处理后得到轴承振动频谱信号X1;步骤3,将轴承振动频谱信号X1输入SSAE模型,对滚动轴承特征进行深度学习;其中,SSAE模型是多个稀疏编码器(Sparse Auto Encoder,SAE)叠加,第一级稀疏编码器的输出作为第二级稀疏编码器的输入,第二级稀疏编码器的输出作为第三级稀疏编码器的输入,以此类推;通过对数据的逐层学习完成DNN网络预训练,然后通过带标签的样本使用BP算法以误差最小化为原则自上向下传输完成DNN网络的微调;步骤4,将步骤3中提取到的两层特征综合到一起构成支持向...
【专利技术属性】
技术研发人员:时培明,梁凯,赵娜,韩东颖,
申请(专利权)人:燕山大学,
类型:发明
国别省市:河北;13
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。