【技术实现步骤摘要】
一种基于半监督深度信念网络的轴承故障诊断方法
本公开涉及半监督深度信念网络学习领域，具体涉及一种基于半监督深度信念网络的轴承故障诊断方法。
技术介绍
针对轴承故障诊断，目前传统轴承故障诊断方法无法自动提取特征，需要人工提取特征并依赖于专家知识进行判别；智能轴承故障诊断方法多集中于单一载荷与单一转速的故障诊断模型，可以对轴承的故障类型自动分类，无需人工提取特征。传统轴承故障诊断方法需要人工提取特征，费时费力，提取特征后的结果不能自动分类，需要专家知识进行判别，进一步增加了人工成本，并且效率较低；智能轴承故障诊断算法针对单一载荷与单一转速训练模型，导致无法适应多工况变化下的轴承故障诊断，诊断精度较低，另外，此类方法还需要大量带有故障类型标签的数据，制造标签数据成本昂贵。
技术实现思路
本申请的目的是针对以上问题，提供一种基于半监督深度信念网络的轴承故障诊断方法。第一方面，本申请提供一种基于半监督深度信念网络的轴承故障诊断方法，包括以下步骤：收集振动信号数据；对振动信号数据进行小...
【技术保护点】
1.一种基于半监督深度信念网络的轴承故障诊断方法，其特征在于，包括以下步骤：/n收集振动信号数据；/n对振动信号数据进行小波变换降噪并完成重构；/n将重构后的信号数据根据标签进行分类，并提取相应的时域特征；/n将分类后的信号数据按照设定规则进行筛选，筛选后的数据划分为训练数据集及测试数据集；/n将训练数据集输入半监督深度信念网络中，对网络进行深度训练；/n将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别。/n
【技术特征摘要】
1.一种基于半监督深度信念网络的轴承故障诊断方法，其特征在于，包括以下步骤：
收集振动信号数据；
对振动信号数据进行小波变换降噪并完成重构；
将重构后的信号数据根据标签进行分类，并提取相应的时域特征；
将分类后的信号数据按照设定规则进行筛选，筛选后的数据划分为训练数据集及测试数据集；
将训练数据集输入半监督深度信念网络中，对网络进行深度训练；
将测试数据集输入半监督深度信念网络中，通过深度训练后的模型对测试数据集中的数据进行故障分类判别。
2.根据权利要求1所述的基于半监督深度信念网络的轴承故障诊断方法，其特征在于，所述对振动信号数据进行小波变换降噪并完成重构，具体包括：
将振动信号数据x(t)在函数空间的子空间内视为空间V0，空间V0可被分解为V1与W1，即V0＝V1+W1，V1可被分解为V2与W2，以此类推，Vj-1可以被分解为Vj与Wj，j为分辨率，j＝0或1；
振动信号数据x(t)的信号分解降噪过程为：
其中为分辨率为0时的线性组合权重，P0x(t)称为x(t)在V0上的平滑逼近，也就是x(t)在分辨率为0情况下的概貌，φ0k(t)为尺度函数；
其中为分辨率为1时的线性组合权重，P1x(t)称为x(t)在V1上的平滑逼近，也就是x(t)在分辨率为1情况下的概貌，φ1k(t)为尺度函数；
其中为分辨率为1时离散细节，D1x(t)为x(t)在W1上的投影，ψ1k(t)为小波函数；
P0x(t)＝P1x(t)+D1x(t)；
分解降噪后的信号分别为：
当j＝0时，
当j＝1时，
重构后信号为：
3.根据权利要求1所述的基于半监督深度信念网络的轴承故障诊断方法，其特征在于，所述标签包括轴承的故障位置信息及损伤尺寸信息，故障位置信息包括内圈故障、滚动体故障及外圈故障，损伤尺寸信息包括0.178mm、0.356mm及0.533mm；所述标签包括十类，其中九类为同时含有故障位置信息及损伤尺寸信息的标签，第十类标签为轴承健康状态的标签。
4.根据权利要求1所述的基于半监督深度信念网络的轴承故障诊断方法，其特征在于，所述提取相应的时域特征，具体包括：在重构的信号数据中提取均值、均方值、均方根值、平均幅值、峭度值、峰值、峰峰值、标准差、方差、歪度值、脉冲因子、偏态系数、波形因子、峰态系数、裕度系数、峭度因子、波形熵，构成总数据集。
5.根据权利要求4所述的基于半监督深度信念...
【专利技术属性】
技术研发人员：叶楠，常佩泽，张露予，王嘉，李佳航，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12
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。