基于降噪自动编码器及增量学习的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于降噪自动编码器及增量学习的旋转机械故障诊断方法，通过对旋转机械单一故障模式下振动信号的采集、信号分割，然后用分割后的信号构成的样本集合训练一个DAE，得到相应网络权重值矩阵和偏差向量W1,k，b1,k，W2,k，和b2,k；对于旋转机械测试样本y，计算其经每类故障模式对应的DAE重构后的重构误差Ek_y，然后找到重构误差最小值，其对应的故障模式则是待测旋转机械所属的故障模式。

Fault Diagnosis Method of Rotating Machinery Based on Noise Reduction Automatic Encoder and Incremental Learning

The invention discloses a fault diagnosis method for rotating machinery based on noise reduction automatic encoder and incremental learning. By collecting and segmenting vibration signals under single fault mode of rotating machinery, a DAE is trained with a sample set composed of segmented signals, and the corresponding network weight matrix and deviation vectors W 1, k, B 1, k, W2, k, and B 2, K are obtained for rotating machinery measurement. Sample y is used to calculate the reconstruction error Ek_y of DAE reconstruction corresponding to each type of fault mode, and then the minimum reconstruction error is found. The corresponding fault mode is the fault mode of the rotating machinery to be tested.

【技术实现步骤摘要】
基于降噪自动编码器及增量学习的旋转机械故障诊断方法
本专利技术属于旋转机械故障诊断
，更为具体地讲，涉及一种基于降噪自动编码器及类别增量学习的旋转机械故障诊断方法。
技术介绍
旋转机械作为机械设备中的关键机构，在飞机、列车和风机等现代大型工业设备中起着重要作用。由于系统复杂、工作强度高、工作环境恶劣等因素的影响，旋转机械在运行过程中易发生各种故障。如果这些故障不能及时发现和处理，会使机械设备可靠性和安全性降低，造成经济损失甚至人身安全事故。因此，对旋转机械进行故障诊断具有重大意义。随着计算机软硬件技术的发展，旋转机械的故障诊断越来越趋向基于机器学习方法的智能诊断。传统的智能诊断方法，基本都是采用批量学习方法。即在训练之前需要将所有类别的训练样本准备好，根据这些样本训练一个诊断模型；而当新类别的样本加进来后需要舍弃之前训练好的模型，基于新类别的样本和之前的样本重新训练诊断模型。然而在实际中，所有故障模式的样本不是一时就能全部得到的，通常是随着时间慢慢获取的。诚然，如果等待所有故障类型的样本全部获得时才进行分类算法的训练及故障分类，这是不可取的。或当旋转机械出现新的故障模式时，获得了新故障模式的样本，舍弃之前训练得到的分类模型，重新训练，势必会浪费大量的时间和计算资源。并且，在传统的旋转机械智能诊断方法中，特征选择及提取是一个必要的步骤，而这个步骤需要依赖专家经验知识，特征选取不当可能会导致诊断模型泛化能力差，诊断效果不好。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于降噪自动编码器及增量学习的旋转机械故障诊断方法，通过增量学习的方式来监测旋转机械是否出现新故障，进而来训练降噪自动编码器(DenoisingAuto-encoder,简称DAE)，再利用基于DAE的类别增量学习模型判断旋转机械故障。为实现上述专利技术目的，本专利技术提供一种基于降噪自动编码器及增量学习的旋转机械故障诊断方法，其特征在于，包括以下步骤：(1)、采集旋转机械的振动信号使用振动数据采集仪分别采集旋转机械在单一故障模式下的振动信号，得到旋转机械在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；(2)、分割振动信号对故障数据dk进行等距分割，得到N段故障数据，设每段故障数据包含n个数据点；(3)、构建训练样本集合将每段故障数据作为一个训练样本xk_i，则N段故障数据构成一个训练样本集合Sk，其中，i＝1,2,…,N；(4)、训练降噪自动编码器(DenoisingAuto-encoder,简称DAE)(4.1)、根据训练样本集合Sk产生相同维度的噪声Noisek＝{noisek_i|i＝1,2,…,N}；(4.2)、利用训练样本集合Sk和噪声Noisek训练一个隐含层节点数为m的DAE，即：得到DAE的网络参数为W1,k，b1,k，W2,k，和b2,k，其中，W1,k是DAE输入层到隐含层的权重矩阵，b1,k是隐含层的偏差向量，W2,k是隐含层到输出层的权重矩阵，b2,k是输出层的偏差向量；(5)、监测旋转机械是否出现新的故障模式，如果旋转机械未出现新的故障模式，则进入步骤(6)；如果旋转机械出现新的故障模式，则重复步骤(1)～(4)，训练出一个新的DAE，设此时的故障模式共有K个，则有K个DAE及其对应的网络参数W1,k，b1,k，W2,k，和b2,k，k＝1,2,…,K；再进入步骤(6)；(6)、利用训练好的DAE对待测旋转机械进行故障诊断；(6.1)、按照步骤(1)-(3)所述方法，获取待测旋转机械的一个测试样本y；(6.2)、将测试样本y经过每一类故障模式对应的DAE重构，计算重构后的重构误差Ek_y：Ek_y＝||zk_y-y||2,(6.3)、在所有的重构误差Ek_y中找到的最小值，并将对应的故障模式作为待测旋转机械的故障模式。本专利技术的专利技术目的是这样实现的：本专利技术基于降噪自动编码器及增量学习的旋转机械故障诊断方法，通过对旋转机械单一故障模式下振动信号的采集、信号分割，然后用分割后的信号构成的样本集合训练一个DAE，得到相应网络权重值矩阵和偏差向量W1,k，b1,k，W2,k，和b2,k；对于旋转机械测试样本y，计算其经每类故障模式对应的DAE重构后的重构误差Ek_y，然后找到重构误差最小值，其对应的故障模式则是待测旋转机械所属的故障模式。本专利技术在有新的故障出现时，只需要对新故障模式对应的DAE进行训练即可，这样可以保留之前学习的结果并且从不断出现的新数据中学习，类似人类渐进获取知识的过程，可以提高效率和节省计算资源；并且，该方法可以直接输入原始振动信号进行训练及测试，不需要提取特征，不依赖经验知识。附图说明图1是本专利技术基于降噪自动编码器及增量学习的旋转机械故障诊断方法流程图；图2是利用本专利技术所述方法进行旋转机械故障诊断的准确率；图3是诊断模型构建时间。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。实施例图1是本专利技术基于降噪自动编码器及增量学习的旋转机械故障诊断方法流程图。在本实施例中，如图1所示，本专利技术一种基于降噪自动编码器及增量学习的旋转机械故障诊断方法，包括以下步骤：S1、采集旋转机械的振动信号使用振动数据采集仪分别采集旋转机械在单一故障模式下的振动信号，得到旋转机械在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；S2、分割振动信号对故障数据dk进行等距分割，得到N段故障数据，设每段故障数据包含n个数据点；在本实施例中，取n＝400，N＝50；选取旋转机械的重要组成部分轴承作为实验对象。振动数据采集仪采用加速度传感器对振动信号进行采集，加速度传感器垂向安装在轴箱上。S3、构建训练样本集合将每段故障数据作为一个训练样本xk_i，则N段故障数据构成一个训练样本集合Sk，其中，i＝1,2,…,N；S4、训练降噪自动编码器DAE(DenoisingAuto-encoder,简称DAE)S4.1、根据训练样本集合Sk产生相同维度的噪声Noisek＝{noisek_i|i＝1,2,…,N}；S4.2、利用训练样本集合Sk和噪声Noisek训练一个隐含层节点数为m的DAE，即：得到DAE的网络参数为W1,k，b1,k，W2,k，和b2,k，其中，W1,k是DAE输入层到隐含层的权重矩阵，b1,k是隐含层的偏差向量，W2,k是隐含层到输出层的权重矩阵，b2,k是输出层的偏差向量；在本实施例中，取m＝200，noisek_i是高斯白噪声，并且与xk_i的信噪比是10dB。S5、监测旋转机械是否出现新的故障模式，如果旋转机械未出现新的故障模式，则进入步骤S6；如果旋转机械出现新的故障模式，在本实施例中，当轴承出现新的故障模式时,则重复步骤S1～S4，训练出一个新的DAE，设此时的故障模式共有K个，则有K个DAE及其对应的网络参数W1,k，b1,k，W2,k，和b2,k，k＝1,2,…,K；，再进入步骤S6；S6、利用训练好的DAE对待测旋转机械进行故障诊断；S6.1、按照步骤S1-S3所述方法，获取待测旋转机械的一个测试样本y；S6.本文档来自技高网...

【技术保护点】
1.一种基于降噪自动编码器及增量学习的旋转机械故障诊断方法，其特征在于，包括以下步骤：(1)、采集旋转机械的振动信号使用振动数据采集仪分别采集旋转机械在单一故障模式下的振动信号，得到旋转机械在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；(2)、分割振动信号对故障数据dk进行等距分割，得到N段故障数据，设每段故障数据包含n个数据点；(3)、构建训练样本集合将每段故障数据作为一个训练样本xk_i，则N段故障数据构成一个训练样本集合Sk，其中，i＝1,2,…,N；(4)、训练降噪自动编码器DAE(4.1)、根据训练样本集合Sk产生相同维度的噪声Noisek＝{noisek_i|i＝1,2,…,N}；(4.2)、利用训练样本集合Sk和噪声

【技术特征摘要】
1.一种基于降噪自动编码器及增量学习的旋转机械故障诊断方法，其特征在于，包括以下步骤：(1)、采集旋转机械的振动信号使用振动数据采集仪分别采集旋转机械在单一故障模式下的振动信号，得到旋转机械在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；(2)、分割振动信号对故障数据dk进行等距分割，得到N段故障数据，设每段故障数据包含n个数据点；(3)、构建训练样本集合将每段故障数据作为一个训练样本xk_i，则N段故障数据构成一个训练样本集合Sk，其中，i＝1,2,…,N；(4)、训练降噪自动编码器DAE(4.1)、根据训练样本集合Sk产生相同维度的噪声Noisek＝{noisek_i|i＝1,2,…,N}；(4.2)、利用训练样本集合Sk和噪声训练一个隐含层节点数为m的DAE，即：得到DAE的网络参数为W1,k，b1,k，W2,k，和b2,k，其中，W1,k是DAE输入...

【专利技术属性】
技术研发人员：刘志亮，康金龙，孙文君，左明健，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51