【技术实现步骤摘要】
基于堆叠自编码神经网络的轴承健康状态识别方法及系统
[0001]本专利技术涉及基于神经网络的特征识别
，具体地说是基于堆叠自编码神经网络的轴承健康状态识别方法及系统。
技术介绍
[0002]发动机中，主要的旋转运动方式来自于曲轴连杆结构和齿轮、带轮、链轮等传动组件。发动机气缸内的燃气压力通过连杆转换为曲轴扭转力矩输出，因此曲轴连杆机构能将活塞的往复运动变成旋转运动，此外，还需要带动发动机自身的一些附件如凸轮轴、配气机构的旋转运动。发动机内部的齿轮传动组以及其他传动装置作为曲轴动力传递中间件，实现多种动力输出。发动机曲轴通常质量较大，长期运转在高负载下，因此其主轴轴承、曲轴轴承非常容易出现磨损、老化甚至不可逆损坏，从而造成发动机工作时不正常振动，进而导致机器的严重故障甚至停机。同样地，当齿轮组高速频繁运转时，工作于齿轮轴和发动机固定机体之间的滚动轴承处于快速磨损之中，其健康状态和性能也在逐步衰退，当其损伤超过临界点时引发严重的轴承故障，所带来的剧烈振动、冲击分量及不正常摩擦会影响发动机相关旋转子系统甚至于整机的正常工作，...
【技术保护点】
【技术特征摘要】
1.基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于包括如下步骤：获取各类损伤的轴承振动信号以及对应的轴承健康状态，对所述轴承振动信号进行数据清洗和完整性补充，得到初始历史数据；通过时域
‑
频域统计分析方法对所述初始历史数据进行特征提取，得到初始振动信号浅层特征，基于所述初始振动信号浅层特征以及对应的轴承健康状态构建特征标签数据集；通过在基础堆叠自编码网络中增加分类器、并在神经元中添加稀疏惩罚项的方式构建深度堆叠自编码网络，并在对应损失函数中添加额外的惩罚项，基于所述特征标签数据集，在稀疏惩罚约束条件下训练所述深度堆叠自编码神经网络，并通过粒子群优化算法对所述深度堆叠自编码神经网络进行超参数优化，得到最终深度堆叠自编码网络；获取待识别的轴承振动信号，对所述轴承振动信号进行数据清洗和完整性补充，得到预处理后振动信号；通过时域
‑
频域统计分析方法对所述预处理后振动信号进行特征提取，得到待识别振动信号浅层特征；通过所述最终深度堆叠自编码网络对所述待识别振动信号浅层特征进行无监督学习，得到轴承健康状态。2.根据权利要求1所述的基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于对所述轴承振动信号进行数据清洗时，去除无效和异常数据；对于缺失数据值的轴承振动信号，通过线性插值方法进行完整性补充。3.根据权利要求1所述的基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于所述深度堆叠自编码网络包括输入层、隐含层、识别层和输出层，所述隐含层神经元中添加有稀疏惩罚项，用于对振动信号浅层特征进行特征提取得到振动信号深层特征，所述识别层配置有分类器，用于对振动信号深层特征进行分类识别输出健康状态。4.根据权利要求3所述的基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于选择KL散度作为稀疏惩罚项，KL散度的计算公式如下：其中，s是隐含层神经元总数，隐含层节点j的平均激活量为ρ
j
＝ρ，其中ρ是稀疏性参数；所述深度堆叠自编码网络的损失函数按照均方差进行计算；在稀疏惩罚约束条件下训练所述深度堆叠自编码神经网络，并通过粒子群优化算法对所述深度堆叠自编码神经网络进行超参数优化时，为防止所述深度堆叠自编码网络过拟合，添加L2正则化项构成结构风险函数，目标函数的数学表达式如下：其中，λ表示正则项衰减系数，加入KL散度作为稀疏惩罚项后，目标函数表示为：其中，β是稀疏惩罚项系数，W,b分别代表神经元连接权重及偏置；
通过计算平均激活量获得稀疏惩罚项表达，再通过最优化问题求解目标函数，从而得到振动信号浅层特征的稀疏表达。5.根据权利要求4所述的基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于通过L
sparse
(W,b)的最优化问题求解目标函数中两个稀疏参数W,b，通过BP算法进行L
sparse
(W,b)的最优化问题；同时通过批训练方法，每一次迭代均采用梯度下降法更新权值，迭代步骤如下：同时通过批训练方法，每一次迭代均采用梯度下降法更新权值，迭代步骤如下：其中，ξ是学习率。6.根据权利要求1所述的基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于所述分类器为soft
‑
max分类器；所述超参数包括输入层和隐含层的dropout比例、稀疏参数以及各个隐含层的神经元数目。7.根据权利要求1
‑
6任一项所述的基于堆叠自编码神经网络的轴承健康状态识别方法，其特征在于将所述特征标签数据集划分为两个数据集，分别为训练集和测试集，基于所述训练集，在稀疏惩罚约束条件下训练所述深度堆叠自编码神经网络，并通过粒子群优化算法对所述深度堆叠自编码神经网络进行超参数优化，得到最终深度堆叠自编码网络；选取所述测试集中初始振动信号浅层特征为输入，通过所述训练后深度堆叠自编码网络进行无监督学习，输出的轴承健康状态作为健康状态评估值，将所述健康状态评估值与所述测试集中轴承健康状态进行对比分析，以评估所述最终深度堆叠自编码网络。8.基于堆叠自编码神经网络的轴承健康状态识别系统，其特征在...
【专利技术属性】
技术研发人员：谷兴龙，商广勇，胡立军，
申请(专利权)人：山东浪潮工业互联网产业股份有限公司，
类型：发明
国别省市：
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。