一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法技术方案

本发明专利技术公开了一种基于SDAE‑RCmvMSE的机械故障监测诊断系统建立方法，首先通过n个振动传感器采集设备的振动信号，通过采集到的不同工况下的数字信号训练诊断模型中的SDAE模型，获取SDAE模型的最优参数；提取采集到的数字信号的RCmvMSE值，以此来训练SVM分类器，获取SVM的最优参数；将SDAE、RCmvMSE和SVM部署到嵌入式工控一体机中，完成故障诊断模型部署，即可投入现场使用。通过本发明专利技术建立的诊断模型，故障识别准确率高，容错性能好。

【技术实现步骤摘要】
一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法
本专利技术属于机械故障检测领域，涉及一种基于深度学习的故障检测系统，具体涉及一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法。
技术介绍
机械设备中应用最多的是旋转机械零部件，其故障也是较为常见的。对机械设备的故障进行实施监测并准确诊断对保障设备的正常运行具有重要意义。由于实际环境中机械设备的故障类型比较复杂，其振动信号往往出现非稳态和非线性的特征。通过传统的时频分析方法难以进行故障的准确诊断。常用的非时频分析方法有分形法、样本熵、排列熵、多尺度排列熵、复合多尺度散布熵、多尺度样本熵和精细化复合多尺度散布熵等。分形法、样本熵和排列熵都是基于时间序列的单一尺度分析方法，没有考虑多个时间尺度下的非线性动力学。获取时间序列的特征能力较为有限，无法反映较为复杂特征。多尺度排列熵、复合多尺度散布熵和精细化复合多尺度散布熵属于多尺度分析方法，能够获取时间序列较为复杂的信号特征，因此多尺度分析方法在故障诊断领域应用较为广泛且取得不错的效果。但多尺度样本熵在长时间序列上面，有着计算速度慢、受突变信号影响较大且实时性差，在应用于实际生产环境中存在天然缺陷。ROSTAGHI等提出了散布熵算法，该算法计算速度快且受突变信号影响较小，将其分析生物信号取得了较好的稳定性和更快的计算速度。AZAMI在散布熵的基础上提出的精细化多尺度散布熵算法，在生物信号的特征提取效果、对突变信号的敏感程度以及计算速度等方面具有一定优势，但是在多变量时序信号中仍存在不足。>深度学习是近几年发展较为迅速的一种故障检测方法，其在故障诊断的准确性和泛化性能得到了巨大提高。Vinvent等在Bengio等提出的堆叠自动编码器(StackAutoEncoder，SAE)基础上引入噪声而形成了SDAE算法。该算法能够从含有噪声的数据中恢复出近似无噪数据,同时也可以提取出深层特征。鉴于RCMDE算法在提取非线性动力学特征方面的特长，以及SDAE在去噪能力方面的优点，本专利技术提出将SDAE和精细复合多变量多尺度样本熵(RefinedCompositemultivariateMultiscaleSampleEntropy,RCmvMSE)结合的机械设备诊断新方法(SDAE-RCmvMSE),采用SDAE去除机械设备振动信号中的噪声，然后使用RCmvMSE提取熵值特征，最后通过SVM对故障进行分类，进而确定设备的故障类型。
技术实现思路
本专利技术的目的是为了解决机械设备振动信号平稳性差和实际作业环境中信号噪声较大难以提取信号特征的问题，以便更加精准地提取实际工况中机械设备的非线性特征。将精细复合多尺度散布熵引入到机械设备的故障非线性特征提取，在此基础上提出一种基于多变量堆叠自动编码器(SDAE)与精细复合多尺度散布熵融合的机械设备故障监测系统及其诊断方法。应用时以实际生产环境中机械设备的振动信号作为输入，经SDAE过滤噪声获得去除噪声后的信号，由多变量精细复合多尺度散布熵进行无噪数据的特征提取，最后由支撑向量机完成待监测设备的故障诊断。为了解决上述技术问题，本专利技术采用的技术方案如下：一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法，其特征在于，包括以下步骤：步骤1、通过使用n个振动传感器采集待诊断机械M个状态下的振动信息Xn,l，其中Xn,l表示第l个状态下的时间序列，将Xn,l分割为多个长度为5120短时间序列Xn,l,i，Xn,l,i表示第l个状态下的第i个短时间时间序列，并将其标记为l；步骤2、无监督训练SDAE模型，往所有Xn,l,i中添加分布中心为μ0，方差σ＝1的高斯噪声得到噪声数据利用编码器得到深层次的特征编码然后通过解码器Yn,l,i＝gθ′(h1)＝sf(W′h1+b1)得到重构的短时间序列Yn,l,i；通过优化直至所有参数已经收敛；此时，获得DAE1模型初始的最优权值W1和最优偏置值b1，与此同时也得到了原始输入数据的初始深层特征表示h1；同理利用初始深层特征表示h1训练DAE2，得到DAE2模型初始的最优权值W2、最优偏置值b2以及特征表示h2；同时，通过RCmvMSE提取的Xn,l,i熵值特征训练M个SVM分类器；步骤3、将无监督训练好的所有DAE堆叠在一起，得到SDAE模型，然后利用不同的分布中心，方差σ＝1的高斯噪声训练堆叠好的SDAE，直至所有参数收敛，从而得到最优的SDAE模型，由此使用SDAE模型去除含噪数据中的噪声；步骤4、将SDAE去除噪声后的信号，作为RCmvMSE的输入，由RCmvMSE提取多变量多尺度熵值特征；步骤5、以RCmvMSE提取到的特征作为支撑向量机的输入，由支撑向量机诊断出当前数据样本的故障类别l；步骤6、将SDAE、RCmvMSE以及SVM部署到嵌入式工控机中，由此得到待诊断机械的机械故障监测诊断系统。优选的，步骤2和步骤4中，通过RCmvMSE提取的熵值特征的具体步骤如下：多变量多尺度样本熵和精细化多变量多尺度样本算法都包含了粗粒化过程和计算各尺度因子下的多变量样本熵；2.1粗粒化过程假设有一个p通道或者p个变量的时间序列其中c是每个通道信号的长度，对于多通道信号Y在粗粒化过程中使用如下方差：上式中，τ为尺度因子。粗粒化序列的时间采样点较少，因此粗粒化过程中可能产生不稳定的熵值，为了解决这一问题，使用改进的多变量时间序列精细化复合技术，精细化多变量多尺度方法的第一步是生成粗粒化的多元时间序列其中对于每个时延系数τ，有对应的粗粒化序列但是在mvMSE中只考虑了在精细化多变量多尺度样本熵算法中使用到了不同尺度的粗粒化序列；2.2各尺度因子下的多元样本熵计算对于一个定义好的尺度因子τ，计算其粗粒度序列的多变量样本熵；为了计算多变量样本熵，首先生成复合时延向量；假设有一个p通道的信号其中N为每个粗粒度时间序列的长度；复合时延向量定义为：其中，M＝[m1,m2,…,mp]为嵌入向量，T＝[τ1,τ2,…,τp]为时延向量；对于p个变量的时间序列其多变量样本熵的计算过程如下：1)计算复合时延向量Xm(i)∈Rm，其中i＝1,2,…,N-n,n＝max{m}×max{T}；2)计算任意两个复合时延向量Xm(i)和Xm(j)之间的距离作为最大范数；3)对于给定的Xm(i)和阈值r，计算Pi在d[Xm(i),Xm(j)]<r,i≠j中的数量，然后计算出现频率记为并且定义一个变量4)将步骤3)中的复合时延向量的维数从m扩展到m+1(其他变量维数不变)；5)重复步骤1)至步骤4)，并求得其次计算是所有n的的平均值；最后求出在(m+1)维空间中的所有i的φi(r)的平均值φ(m+1)(r)；最后计算，多变量样本熵基于改进的复合技术，每一个比例因子β，就有对应的粗粒化序列对于每一个分别计算和本文档来自技高网...

【技术保护点】
1.一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法，其特征在于，包括以下步骤：/n步骤1：通过使用n个振动传感器采集待诊断机械M个状态下的振动信息X

【技术特征摘要】
1.一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法，其特征在于，包括以下步骤：
步骤1：通过使用n个振动传感器采集待诊断机械M个状态下的振动信息Xn,l，其中Xn,l表示第l个状态下的时间序列，将Xn,l分割为多个长度为5120短时间序列Xn,l,i，Xn,l,i表示第l个状态下的第i个短时间时间序列，并将其标记为l；
步骤2、无监督训练SDAE模型，往所有Xn,l,i中添加分布中心为μ0，方差σ＝1的高斯噪声得到噪声数据利用编码器得到深层次的特征编码然后通过解码器Yn,l,i＝gθ′(h1)＝sf(W′h1+b1)得到重构的短时间序列Yn,l,i；通过优化直至所有参数已经收敛；此时，获得DAE1模型初始的最优权值W1和最优偏置值b1，与此同时也得到了原始输入数据的初始深层特征表示h1；同理利用初始深层特征表示h1训练DAE2，得到DAE2模型初始的最优权值W2、最优偏置值b2以及特征表示h2；同时，通过RCmvMSE提取的Xn,l,i熵值特征训练M个SVM分类器；
步骤3、将无监督训练好的所有DAE堆叠在一起，得到SDAE模型，然后利用不同的分布中心，方差σ＝1的高斯噪声训练堆叠好的SDAE，直至所有参数收敛，从而得到最优的SDAE模型，由此使用SDAE模型去除含噪数据中的噪声；
步骤4、将SDAE去除噪声后的信号，作为RCmvMSE的输入，由RCmvMSE提取多变量多尺度熵值特征；
步骤5、以RCmvMSE提取到的特征作为支撑向量机的输入，由支撑向量机诊断出当前数据样本的故障类别l；
步骤6、将SDAE、RCmvMSE以及SVM部署到集显嵌入式工控机中，由此得到待诊断机械的机械故障监测诊断系统。


2.如权利要求1所述基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法，其特征在于：步骤2和步骤4中，通过RCmvMSE提取的熵值特征的具体步骤如下：
多变量多尺度样本熵和精细化多变量多尺度样本算法都包含了粗粒化过程和计算各尺度因子下的多变量样本熵；
2.1粗粒化过程
假设有一个p通道或者p个变量的时间序列其中c是每个通道信号的长度，对于多通道信号Y在粗粒化过程中使用如下方差：






上式中，τ为尺度因子；
粗粒化序列的时间采样点较少，因此粗粒化过程中可能产生不稳定的熵值，为了解决这一问题，使用改进的多变量时间序列精细化复合技术，精细化多变量多...

【专利技术属性】
技术研发人员：杨光友，习晨博，刘浪，陈学海，马志艳，姜帆，姜洪远，刘威宏，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42