基于改进栈式稀疏自编码器的电机故障诊断方法及系统技术方案

本发明专利技术公开了基于改进栈式稀疏自编码器的电机故障诊断方法及系统，属于计算机技术领域，包括以下步骤：S1：采集训练样本并初始化网络；S2：训练稀疏自编码层；S3：训练Softmax分类层；S4：调整深度学习网络；S5：电机故障诊断。本发明专利技术采用使用L

【技术实现步骤摘要】
基于改进栈式稀疏自编码器的电机故障诊断方法及系统


[0001]本专利技术涉及计算机
，具体涉及基于改进栈式稀疏自编码器的电机故障诊断方法及系统。

技术介绍

[0002]传统电机故障诊断方法存在一定的局限性，不能自动提取特征，需手动提取特征，而稀疏自编码器解决了特征自学习问题，具有自动提取特征的优点，为了减小利用稀疏自编码器所学习特征进行样本重构的误差和提高学习特征的稀疏性，提出了一种使用L
P
和L2正则化进行非负权值约束的改进稀疏自编码器，为了实现准确的电机故障诊断，结合Softmax分类器设计了基于优化SAE的栈式稀疏自编码器的电机故障诊断方法及系统。

技术实现思路

[0003]本专利技术所要解决的技术问题在于：如何减小利用稀疏自编码器所学习特征进行样本重构的误差和提高学习特征的稀疏性，进而实现准确的电机故障诊断，提供了基于改进栈式稀疏自编码器的电机故障诊断方法。该方法具有分类性能好、可靠性高且适应性强的优良特性。
[0004]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于，包括以下步骤：S1：采集训练样本并初始化网络采集并选择电机故障训练样本数据集，构建栈式稀疏自编码深度学习网络DN，初始化网络；S2：训练稀疏自编码层将前一层稀疏自编码器的隐含层输出作为后一层稀疏自编码器的输入，逐层预训练N个稀疏自编码器，利用训练改进后的自稀疏编码器自动提取输入样本的特征；S3：训练Softmax分类层将最后一层稀疏自编码器的隐含层输入作为Softmax分类器的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类器进行电机故障诊断；S4：调整深度学习网络将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个深度学习网络DN进行调整得到分类器；S5：电机故障诊断将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果。2.根据权利要求1所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S1中，电机故障训练样本数据从电机滚动轴承多种工况下的振动信号数据中选择。3.根据权利要求1所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S2中，N取2。4.根据权利要求3所述的基于改进栈式稀疏自编码器的电机故障诊断方法，其特征在于：在所述步骤S2中，训练改进后的自稀疏编码器的损失函数如下：于：在所述步骤S2中，训练改进后的自稀疏编码器的损失函数如下：于：在所述步骤S2中，训练改进后的自稀疏编码器的损失函数如下：于：在所述步骤S2中，训练改进后的自稀疏编码器的损失函数如下：h＝δ(w
(1)
x+b
(1)
)在上述各式中，
m
为样本个数；x,y分别为稀疏自编码器的输入和输出向量；γ1、γ2分别为L2、L
P
正则化参数；0＜p＜1；ξ为一个取值较小的正数；
v
为稀疏性参数；h为稀疏自编码器隐含层输出向量；β为稀疏项系数，调节稀疏性惩罚因子的权值；W＝{w
(1)
,w
(2)
}，B＝{b
(1)
,b
(2)
}，w
(1)
、b
(1)
分别为稀疏自编码器输入层与隐含层间权重矩阵和偏置向量，w
(2)
、b
(2)
分别为稀疏自编码器隐含层与输出层间权重矩阵和偏置向量；s
l
,s
l+1
分别为稀疏自编码器的相邻层结点个数；n1为...

【专利技术属性】
技术研发人员：吴紫恒，王兵，周阳，王正兵，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：