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

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，采用基于层叠稀疏自动编码器的深度学习自主认知的方法，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，自动挖掘出隐藏在已知数据中的丰富信息；采用深度学习提取特征并将两层学习到的特征综合到一起构成支持向量机的输入，通过支持向量机分类从而可以判断滚动轴承的工作状态和故障类型。本发明专利技术方法能提高故障特征提取效率和准确率。

Rolling bearing fault diagnosis method based on sparse encoder and support vector machine

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。进一步的，在步骤1中，先对含有噪声信号进行小波分解，把信号分解到 各尺度中，然后分别在各个尺度下把噪声去掉，留下有用信号，最后对其进行小波逆变换恢复信号。进一步的，在步骤2中，采用线性归一化方法，提高深度学习分类准确率同时缩减分类计算时间。线性归一化计算式为：式中，i＝1,2,3,...,n.；n为轴承振动频谱信号的采样点数；xi为轴承振动频谱信号；为轴承振动频谱信号线性归一化后得到的信号；xmax为轴承振动频谱信号中幅值最大的信号；xmin为轴承振动频谱信号中幅值最小的信号。与现有技术相比，本专利技术具有如下优点：本专利技术方法具有优异的特征学习能力，得到的特征对数据有更本质的刻画，有利于可视化或者分类；通过构建多隐层的模型和海量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。附图说明图1是本专利技术方法的流程图。图2是本专利技术方法中自动编码器和去噪自动编码器的原理图。图3是本专利技术方法中深度学习的预训练和微调过程图。图4是本专利技术方法中PSO算法对SVM参数的优化流程图。图5是本专利技术方法中支持向量机对小样本测试的适应度曲线图。具体实施方式下面结合附图对本专利技术方法做进一步说明：如图1所示，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，先对含有噪声信号进行小波分解，把信号分解到各尺度中，然后分别在各个尺度下把噪声去掉，留下有用信号，最后对其进行小波逆变换恢复信号，得到新的轴承振动频谱信号X；步骤2，采用线性归一化方法，提高深度学习分类准确率同时缩减分类计算时间，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；线性归一化计算式为：式中，i＝1,2,3,...,n.；n为轴承振动频谱信号的采样点数；xi为轴承振动频谱信号；为轴承振动频谱信号线性归一化后得到的信号；xmax为轴承振动频谱信号中幅值最大的信号；xmin为轴承振动频谱信号中幅值最小的信号。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；具体方法如下：1、对自动编码器(Auto Encoder,AE)、稀疏自动编码器(Sparse Auto Encode)、去噪自动编码器(Denoising Auto Encode，DAE)的说明。自动编码器是三层的非监督神经网络，分为编码网络与解码网络两个部分，结构如图2所示。AE的输入数据和输出目标相同，通过编码网络将高维空间的输入数据转换为低维空间的编码矢量，通过解码网络将低维空间的编码矢量重构回原来的输入数据。由于在输出层可对输入信号进行重构，使得编码矢量成为输入数据的一种特征表示。自动编码器是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要 因素，就想PCA那样，找到可以代表原信息的主要成分。为了尽可能提取主要信息，能够还原输入信号而不损失信息，我们在自动编码器的基础上加入限定条件，要求节点大部分是0，而只有少数的节点是非零的(主要特征)，这样就构成了稀疏自动编码器。而SSAE模型是多个稀疏编码器叠加。DAE，结构如图2所示，编码网络将含有一定统计特性的噪声加入样本数据，然后对样本进行编码，解码网络再根据噪声统计特性从未受到干扰的数据中估计出受干扰样本的原始形式，从而使DAE从含噪样本中学习到更具鲁棒性的特征，降低DAE对微小随机扰动的敏感性。DAE的原理类似于人体的感官系统，比如人眼看物体时，如果某一小部分被遮住了，人依然可以辨识出该物体。同理，DAE通过添加噪声进行编码重构，可有效减小机械工况变化与环境噪声等随机因素对提取的健康状况信息的影响，提高特征表达的鲁棒性。本方法中采用的SSAE模型即为层叠的稀疏去噪自动编码器。第二步：对基于SSAE模型深度学习的预训练过程和微调过程的说明。a、预训练使用自下而上的非监督学习。先用训练样本数据训练第一层，得到第一层的连接权值和偏置参数。由稀疏自动编码器原理可知，SAE模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征。在学习得到第1层后，将1层的输出作为第2层的输入，训练第2层，由此得到第二层的连接权值和偏置参数，以此类推，通过对数据的逐层学习得到最终的重构特征。具体的如图3所示，给定一个无标签的训练样本集编码网络通过编码函数fθ,将每 一个训练样本xm变换为编码矢量hm。hm＝fθ(xm)＝sf(wxm+b)式中，sf为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{w,b本文档来自技高网...

【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