【技术实现步骤摘要】
一种基于改进稀疏滤波的机械故障特征自动提取方法
本专利技术属于旋转机械故障诊断及信号处理
，涉及一种基于改进稀疏滤波的机械故障特征自动提取方法。
技术介绍
旋转机械振动信号包含关于故障的丰富信息，所以常用做故障信号特征提取数据源之一。直接测得的信号往往包含很多噪声，需要进行信号处理，来实现对信号的特征提取。现有的信号处理技术，包括时域分析技术、频域分析技术、时频分析技术、小波包分析技术等。这些信号处理技术可以实现特定特征的高效提取，但是这些提取的信息往往繁杂，后期的分析处理和进一步提取需要大量人工操作且时间成本很高。同时，为了实现信号特征分类，往往需要得到的特征具有很强的可区分性。传统信号处理方法可以实现信号主要特征的提取但却缺少对这些特征的挑选能力。近年来，随着工业大数据概念的不断推广，多领域的大数据自动处理广泛使用人工神经网络。在故障诊断领域采用人工神经网络技术，不仅能带来高自动化程度的非线性特征提取能力，也可在很大程度上减少人工干预。故障诊断方面的人工神经网络包括自动编码器、限制玻尔兹曼机、卷积神经网络等多种形式。其中非监督特征学习网络因其特征提取中不...
【技术保护点】
1.一种基于改进稀疏滤波的机械故障特征自动提取方法，其特征在于，包括以下步骤：步骤1.对原始振动信号进行预处理：采用采集得到的原始振动信号分为样本集后作为训练样本,对采样得到的时域样本进行快速傅里叶变换，将原时域信号样本转换成频谱信号样本，并对样本白化处理；步骤2.使用白化处理的频域样本来训练具有L1正则化的稀疏滤波；步骤3.使用前向传播，计算学习到的训练样本的特征；步骤4.采用高维特征训练softmax分类器，实现对提取的特征的自动分类；即：使用训练样本的特征及其对应的样本标签训练softmax分类器，通过前向传播得到的特征以及训练样本对应的故障类型标签进行softmax...
【技术特征摘要】
1.一种基于改进稀疏滤波的机械故障特征自动提取方法，其特征在于，包括以下步骤：步骤1.对原始振动信号进行预处理：采用采集得到的原始振动信号分为样本集后作为训练样本,对采样得到的时域样本进行快速傅里叶变换，将原时域信号样本转换成频谱信号样本，并对样本白化处理；步骤2.使用白化处理的频域样本来训练具有L1正则化的稀疏滤波；步骤3.使用前向传播，计算学习到的训练样本的特征；步骤4.采用高维特征训练softmax分类器，实现对提取的特征的自动分类；即：使用训练样本的特征及其对应的样本标签训练softmax分类器，通过前向传播得到的特征以及训练样本对应的故障类型标签进行softmax分类器的训练；步骤5.测试样本故障诊断：通过将设备采集得到的振动数据信号输入到上述训练好的网络，即可实现故障信号的特征自动提取及智能诊断；所述步骤1的具体过程为：1.1.收集样本：采样每个工况下每种故障的原始振动信号，采样得到所有时域样本其中是第j个样本，含有2Nin个数据点，M为样本的总数目；1.2.时域样本转为频域样本：将原时域样本进行快速傅里叶变换处理，得到的各个时域样本的频谱，取每个频谱前半部分频谱作为对应的频域样本；将这些半频谱作为频域样本组成训练样本集其中是第j个样本含Nin个数据点，Nin也是L1正则化的稀疏滤波的输入维数；用Nout表示网络输出维数的大小，即从每个样本提取出的特征的个数；1.3.样本白化处理：将训练样本集整理成矩阵形式进行白化处理，过程如下式所示：cov(ST)＝EUET(1)式中cov(ST)是S的协方差矩阵，E是特征向量矩阵，U是以特征值为对角元素的对角矩阵；白化后的训练样本集Sw通过下式得到：Sw＝EU-1/2ETS(2)。2.根据权利要求1所述的一种基于改进稀疏滤波的机械故障特征自动提取方法，其特征在于，所述步骤2的具体过程为：输入经过白化的频域样本为训练数据，此样本通过使用权值矩阵W∈RN×L及训练中的激活函数1映射到特征向量上；通过激活函数1来计算获得非线性特征，训练时激活函数1采用软阈值函数：式中表示特征矩阵f的第i列的第j个特征值，其中ε＝10-8；稀疏滤波训练的每次迭代优化过程包括以下步骤：1)行归一化：对特征矩阵f的行进行归一化其中fi为行归一化之前的特征矩阵f的第i行，为经过行归一化后的特征矩阵的第i行；2)列归一化：经过列归一化后使各个样本落在L2球上，其...
【专利技术属性】
技术研发人员：李舜酩，钱巍巍，王金瑞，安增辉，谭延峥，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32
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。