一种自适应稀疏压缩自编码的滚动轴承故障诊断系统技术方案

本发明专利技术公开了一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括步骤如下：首先,对滚动轴承处进行振动信号的采集与处理，并将所采集的振动信号转化为频域信号;然后，将所转化的频谱信号分为训练样本集与测试样本集；接着将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；最后，将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；再将测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。本发明专利技术简单易行，可以摆脱传统深度学习故障诊断系统在分类阶段是有监督且训练效率低的缺陷。

An adaptive sparse compression self coding fault diagnosis system for rolling bearing

【技术实现步骤摘要】
一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
本专利技术涉及机械设备中的故障诊断
，是一种基于深度学习的智能滚动轴承故障诊断系统。
技术介绍
目前，旋转机械设备在工业生产与智能制造等领域扮演着不可或缺的重要角色，发挥着不可替代的积极作用。与此同时，机械设备的健康维护与运行管理已经吸引着越来越多的企业与研发人员的重视。即有效、适当的机械设备状态监测与故障诊断不仅可以保障旋转机械设备的安全运行，而且还可以减少不必要的故障发生、增加机械设备运行的使用寿命、提升整个工业系统的经济效益。为实现对机械设备的核心部件如滚动轴承等部件的有效诊断，基于振动信号分析的旋转机械故障诊断方法已经逐渐成熟并被广泛应用。一般情况下，振动信号时常伴随着能量聚集等特征现象的出现，当机械设备出现故障时振动信号的能量分布就会发生相应的变化，这些变化都会在传感器采集得到的振动信号中得到体现。目前，我们可以通过在旋转机械的核心部件处(如轴承等)布置相对应数量的传感器等测量仪器对机械设备运行的状况进行有效的信号拾取与状态监测。基于振动信号分析的故障诊断方法主要是对所采集本文档来自技高网...

【技术保护点】
1.一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于，包括以下步骤：/n步骤1：首先,对滚动轴承等处进行振动信号的采集与信号处理，并将所采集的振动信号转化为频域信号；/n步骤2：将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；/n步骤3：将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；/n步骤4：再将待测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。/n

【技术特征摘要】
1.一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于，包括以下步骤：
步骤1：首先,对滚动轴承等处进行振动信号的采集与信号处理，并将所采集的振动信号转化为频域信号；
步骤2：将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；
步骤3：将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；
步骤4：再将待测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。


2.根据权利要求1所述的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于：步骤1中将所采集的振动信号转化为频域信号是指通过快速傅里叶变换将原始样本集的振动信号转化为频域信号。


3.根据权利要求1所述的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于：所述步骤2中将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习的过程如下：
自适应稀疏压缩自编码模型的构建包含无监督的逐层预训练阶段和有监督的全局微调阶段；所述的对于自适应稀疏压缩自编码采用逐层贪婪训练法对其进行特征学习，基本步骤可总结如下：
步骤2.1：通过逐层贪婪的训练方式以优化第一层的自适应稀疏压缩自编码的目标函数，自适应稀疏压缩自编码模型的目标函数如下所示：



其中是隐藏层输出值关于权重的雅克比矩阵，λ为权衡损失函数和约束项之间的比例系数，λ的取值会在实验中确定。而表示的是雅克比矩阵的F范数的平方，即雅克比矩阵中每个元素求平方再求和，具体公式如下所示：



雅克比矩阵的F范数的平方求和可以写成更加具体的数学表达式：



式中，hi为隐藏层的输出，Wij为输入层与隐藏层的连接权重。
步骤2.2：前一层自适应稀疏压缩自编码的隐藏层作为后一层自适应稀疏压缩自编码的输入层：
将训练好的第一层自适应稀疏压缩自编码的隐藏层作为第...

【专利技术属性】
技术研发人员：贾民平，赵孝礼，杨诚，丁鹏，胡建中，许飞云，黄鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32