一种基于期望差异约束置信网络的机械设备故障诊断方法技术

一种基于期望差异约束置信网络的机械设备故障诊断方法，首先获取机械设备在不同健康状态下的振动信号，提取平移不变特征；以平移不变特征为输入，提取振动信号的深度特征；然后以深度特征为输入，提取对工况鲁棒的故障特征；最后基于提取的对工况鲁棒的故障特征，训练Softmax分类器，利用训练后的分类器完成多工况下机械设备故障的智能诊断，本发明专利技术利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的机械设备故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好，同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。

A Fault Diagnosis Method for Mechanical Equipment Based on Expected Difference Constrained Confidence Network

【技术实现步骤摘要】
一种基于期望差异约束置信网络的机械设备故障诊断方法
本专利技术属于机械设备故障诊断
，具体涉及一种基于期望差异约束置信网络的机械设备故障诊断方法。背景知识机械设备广泛应用于航空航天、石油化工、精密机床、高速列车等诸多领域，在这些领域中，机械设备常常工作于工况复杂的环境中，恶劣的工况环境使得机械设备故障频发，因此需要对机械设备进行故障诊断和维护，以保证机械设备的安全可靠、稳定运行。传统故障诊断方法一般包括信号获取、特征提取、故障识别三个步骤，随着深度学习理论的引入，深度智能故障诊断方法能够直接从原始信号中自适应提取故障特征，实现机械健康状态的智能识别，从而克服了机械“大数据”时代下传统故障诊断方法过于依赖诊断专业知识及泛化能力较弱的缺点。作为一种常用的深度学习模型，深度置信网络(DeepBeliefNetwork，DBN)因其模型及训练算法简单，常用于智能故障诊断领域。作为DBN的基本组件受限玻尔兹曼机(RestrictedBoltzmannMachine，RBM)可以自动提取用于诊断的数据特征，结合训练数据标签训练分类器，实现故障识别。然而，在故障诊断过程中，往往只能收集到本文档来自技高网...

【技术保护点】
1.一种基于期望差异约束置信网络的机械设备故障诊断方法，其特征在于，包括以下步骤：1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集

【技术特征摘要】
1.一种基于期望差异约束置信网络的机械设备故障诊断方法，其特征在于，包括以下步骤：1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集其中，C是信号样本的个数，D是每个振动信号样本包含的数据点数；2)获取振动信号训练集，通过对比散度算法训练局连滑移受限波尔兹曼机；然后以振动信号样本集为输入，通过局连滑移受限波尔兹曼机，提取振动信号的平移不变特征fSIF；3)获取平移不变特征训练集，通过对比散度算法训练全连接受限玻尔兹曼机；然后以平移不变特征样本集为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征fDF；4)获取深度特征训练集，通过对比散度算法训练鲁棒受限玻尔兹曼机；然后以深度特征样本集为输入，通过鲁棒受限玻尔兹曼机，提取对工况鲁棒的故障特征fRF；5)将故障特征fRF作为振动信号的故障特征，输入到Softmax分类器，通过最大化该振动信号对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号对应的健康状态，完成多工况下机械设备的智能故障诊断。2.根据权利要求1所述的一种基于期望差异约束置信网络的机械设备故障诊断方法，其特征在于：所述的步骤3)训练中的目标函数为：式中，v表示可见单元，vi表示第i个可见单元，ai表示vi的偏置，h表示隐藏单元，...

【专利技术属性】
技术研发人员：雷亚国，姜鑫伟，邢赛博，李乃鹏，司小胜，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61