基于Stacked SAE深度神经网络的轴承故障诊断方法技术

本发明专利技术涉及一种基于Stacked SAE深度神经网络的轴承故障诊断方法，网络的第一层用于轴承故障的定性判断，即判断故障类型，网络的第二层用于轴承故障的定量判断，即判断故障的严重程度。本发明专利技术结合经验模态分解(EMD)和自回归(AR)模型作为原始轴承信号的预处理，提取AR模型参数作为网络的输入，大大降低网络的输入维度，有利于简化计算，加快网络的训练以及测试。此外，本发明专利技术所基于的深度神经网络能对输入进一步自动提取特征并且自动定性、定量化判断轴承故障，在确保本发明专利技术诊断精度的同时降低对信号处理专业知识的依赖，无需人工判断，减少人力的消耗，在大数据时代，更加具有实用价值。

Bearing fault diagnosis method based on Stacked SAE depth neural network

The invention relates to a method of fault diagnosis of bearing Stacked SAE depth based on neural network, the first layer of the network for qualitative bearing fault judgment, that is to judge the fault types, the second layer network for quantitative assessment of bearing fault severity, namely fault diagnosis. The invention combines empirical mode decomposition (EMD) and autoregressive (AR) model as a preprocessing the original bearing signal, the AR model parameters are extracted as the input of the network, greatly reduce the input dimension of the network, to simplify the calculation, to speed up the network training and testing. In addition, the depth of the invention is based on the neural network is able to enter further automatic feature extraction and automatic qualitative and quantitative judgment of bearing fault, while ensuring that the diagnosis accuracy is less dependent on the signal processing of professional knowledge, without artificial judgment, reduce the consumption of manpower, in the era of big data, more practical value.

【技术实现步骤摘要】
基于StackedSAE深度神经网络的轴承故障诊断方法
本专利技术属于信号的智能分析检测领域，具体涉及基于堆叠稀疏自动编码器(StackedSAE)深度神经网络的轴承故障定性、定量、层次化诊断方法研究。
技术介绍
随着经济的发展，人们对设备故障诊断技术的要求越来越高，不仅仅需要判断故障类型，还需要进一步判断故障的严重程度，并且要求其适用于大数据的处理。轴承作为旋转机械的关键零部件之一，其状态直接影响到旋转机械的运行状态，一旦轴承出现故障，将很可能带来巨大的经济损失，甚至导致人员伤亡。信号处理与分析是实现轴承故障诊断的有效途径之一，常用的方法主要有时域统计量分析、包络分析、时频分析、经验模态分解及其改进算法、小波分析、以及谱峭度分析等。虽然这些方法已广泛应用于轴承的故障诊断，但是往往要求检测人员具有极其丰富的信号处理与分析的专业知识，需要依靠专业人员进行轴承故障特征的提取并识别故障，对于大数据的分析与处理存在很大的局限性。为了实现故障的智能诊断，减少人力的消耗，人工神经网络被广泛研究并运用于轴承的故障诊断，虽然后期省去了人工识别故障，节省了部分人力，但是要想取得较高的故障识别精度仍然依本文档来自技高网...

【技术保护点】
一种基于Stacked SAE深度神经网络的轴承故障诊断方法，其特征在于，包括步骤：步骤1：结合EMD分解和AR模型，对采集到的原始轴承振动信号提取AR模型参数作为网络的输入；步骤2：根据堆叠稀疏自动编码器，构建两层的层次化故障诊断深度神经网络，第一层用于定性判断故障类型，第二层用于定量判断故障大小，输入训练样本集，通过反向传播优化算法得到每一层的Stacked SAE的网络参数；步骤3：将测试样本集输入到已训练好的深度神经网络诊断模型，通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小。

【技术特征摘要】
1.一种基于StackedSAE深度神经网络的轴承故障诊断方法，其特征在于，包括步骤：步骤1：结合EMD分解和AR模型，对采集到的原始轴承振动信号提取AR模型参数作为网络的输入；步骤2：根据堆叠稀疏自动编码器，构建两层的层次化故障诊断深度神经网络，第一层用于定性判断故障类型，第二层用于定量判断故障大小，输入训练样本集，通过反向传播优化算法得到每一层的StackedSAE的网络参数；步骤3：将测试样本集输入到已训练好的深度神经网络诊断模型，通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小。2.根据权利要求1所述的基于StackedSAE深度神经网络的轴承故障诊断方法，其特征在于：所述步骤1包括：步骤1.1：对采集到的原始非平稳的轴承振动信号s(t)进行EMD分解，将其分解为有限个平稳的IMF分量，表示为：其中，ca(t),a＝1,2Lm代表原始轴承信号经过EMD分解得到的m个平稳的IMF分量，这m个IMF分量分别包含从高频到低频的频率成分，rm代表分解后的残余项；步骤1.2：若采集到的故障信号包含B种类型，任选每种类型中的一个信号，设其各自经过EMD分解得到的第一个IMF分量的离散值用序列表示为c1z(t)，z＝1,2,LB，且长度均为N，对每个c1z(t)建立AR模型表示为：其中，pz(z＝1,2,LB)代表各个AR模型的阶数，azk(k＝1,2Lpz)代表各个模型的pz个自回归系数，wz(t)代表各个模型的拟合残差，是均值为0，方差为的白噪声序列；步骤1.3：利用最终预测误差准则，来确定AR模型的最佳阶数，当准则取最小值时的阶数pz为各个AR模型的最佳阶数，FPE准则表示为：取pz(z＝1,2,LB)中的最小值作为所有轴承信号的任一IMF分量建立AR模型的标准模型阶数，并记为P；步骤1.4：确定各个AR模型的标准模型阶数P之后，每个AR模型的系统函数均表示为：Y＝XA+W，其中：Y＝[cP+1cP+2LcN]T，A＝[a1a2LaP]T，W＝[wP+1wP+2LwN]T，然后利用最小二乘法求解AR模型的自回归系数A，表示为：A＝(XTX)-1XTY，方差可用自回归系数表示为：原始信号经过EMD分解得到的前4个IMF分量，每一个IMF分量所得到的AR模型参数，包括自回归系数以及方差表示为一个P+1维的向量ARPe：对任意一个原始轴承振动信号，将其前4个IMF分量的AR模型参数转换成特征向量x作为模型的输入，表示为：3.根据权利要求2所述的基于StackedSAE深度神经网络的轴承故障诊断方法，其特征在于：所述步骤2包括：步骤2.1：若每种故障类型的信号包含D种故障大小，而每种故障大小包含E个信号样本，那么一共有B*D*E个信号样本，则需要重复所述步骤1.4B*D*E次，求出每一个轴承信号的4*(P+1)维特征向量作为网络的输入，并将每种轴承状态下样本总数的2/3作为训练样本，另外1/3作为测试样本；步骤2.2：利用一个StackedSAE搭建第一层网络，用于定性化诊断轴承的故障类型，根据所述步骤2.1，用于第一层轴承故障定性化诊断的训练样本数为B*D*E*2/3，简记为G；在初步确定StackedSAE的隐藏层数U，每个隐藏层的单元数以及学习率的情况下，将所述步骤1.4中得到的训练样本集的特征向量作为输入，通过预训练和微调来确定定性诊断网络每一层最终的最佳权重矩阵以及偏置项：(1)预训练的步骤为：a)对一个含有U个隐藏层的StackedSAE，每一个隐藏层均与上一层构成一个SAE的编码网络；将输入层和第一个隐藏层视为第一个SAE的编码网络，然后通过反向传播优化算法求得SAE代价函数取得最小值时的权重矩阵和偏置项，假设xd为训练样本集中的任意一个训练样本，在不考虑稀疏项的前提下，自动编码器的代价函数可表示为：其中，表示该样本xd经过自动编码器所得到的输出，即自动编码器的重构信号；用L2范数来表示数据保真项；第二项是正则化项，用于抑制权重的...

【专利技术属性】
技术研发人员：朱忠奎，祁玉梅，沈长青，黄伟国，石娟娟，江星星，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32