一种基于深度稀疏自动编码器的两阶段集成故障诊断模型制造技术

本发明专利技术公开了一种基于深度稀疏自动编码器的两阶段集成故障诊断模型，包括如下步骤：1)首先采用不同类型的激活函数训练出具有不同学习行为的稀疏自动编码器，然后用堆叠方法将稀疏自动编码器构建为多个不同的深度稀疏自动编码器；2)对深度稀疏自动编码器进行两阶段集成，其方法为先采用boosting集成策略得到多个基于深度稀疏自动编码器的集成模型，再用投票法集成多个集成模型，得到最终的基于深度稀疏自动编码器的两阶段故障诊断模型。本发明专利技术利用了不同的激活函数体现稀疏自动编码器的学习行为,然后构建深度稀疏自编码器采用的分层预训练方法能学习到原始数据中更有用的特征，最后采用两阶段集成以充分利用集成学习和深度学习的优势。深度学习的优势。深度学习的优势。

【技术实现步骤摘要】
一种基于深度稀疏自动编码器的两阶段集成故障诊断模型


[0001]本专利技术涉及机械故障诊断和计算机人工智能
，尤其涉及到一种基于深度稀疏自动编码器的两阶段集成故障诊断模型。

技术介绍

[0002]滚动轴承作为旋转机械、电气设备的重要部件，素有“工业的关节”之称，为了确保设备的生产效率和安全可靠运行，对滚动轴承的状态监测显得十分重要。由于滚动轴承运行时，其振动信号中富含丰富的反映运行状态的信息，因此在一些大型工业设备如航空发动机、燃气轮机中通常会布置大量的传感器获取滚动轴承的监测数据，但是如何从大量振动信号中获取滚动轴承的运行信息，提早发现故障，成为轴承故障诊断领域面临的新问题。
[0003]近年来各种信号处理技术，如时域分析、频域分析、小波变换、经验模式分解等从原始振动信号中提取信号特征如均值、峰峰值、均方根值等用于诊断轴承故障得到了广泛的研究和应用。
[0004]但是，基于信号处理技术的故障特征提取方法需要工作人员掌握和精通一定的信号处理知识，同时由于需要人工进行操作，所以需要耗费大量的人力来提取和分析区分性故障特征，由于是人工选择所以很难确定最适合提取的特征，导致诊断结果不稳定，另外，现有特征的参数数量巨大，容易引起模型过拟合问题。因此如何设计一种方法能从滚动轴承振动信号中自动地学习出丰富的故障特征则显得尤为重要。
[0005]另外，现有的故障诊断模型都为单个深度学习模型，由于振动信号的振动信号具有海量、多样、复杂等特性，正常样本与故障样本通常不平衡，导致其故障预测泛化性能较低。r/>
技术实现思路

[0006]本专利技术的目的是提供一种基于深度稀疏自动编码器的两阶段集成故障诊断模型，利用不同的激活函数体现稀疏自动编码器的学习行为，并构建深度稀疏自编码器采用的分层预训练方法能学习到原始数据中更有用的特征，最后集成的两阶段集成故障诊断模型能避免现有技术中的人工特征抽取问题、过拟合问题和单个深度学习模型泛化性能低的问题。
[0007]本专利技术的上述技术目的是通过以下技术方案实现的：
[0008]一种基于深度稀疏自动编码器的两阶段集成故障诊断模型，包括如下步骤：
[0009]1)首先采用不同类型的激活函数训练出具有不同学习行为的稀疏自动编码器，然后用堆叠方法将稀疏自动编码器构建为多个不同的深度稀疏自动编码器；
[0010]2)然后对深度稀疏自动编码器进行两阶段集成，其方法为先采用boosting集成策略得到多个基于深度稀疏自动编码器的集成模型，再用投票法集成多个集成模型，得到最终的基于深度稀疏自动编码器的两阶段故障诊断模型。
[0011]进一步的，所述不同类型的激活函数包括指数类型激活函数和非指数类型激活函
数。
[0012]进一步的，所述稀疏自动编码器采用正则化交叉熵损失函数，以确保稀疏自动编码器能学习到不同的变换。
[0013]进一步的，所述步骤1)的具体过程如下：
[0014]S1.用指数类型激活函数和非指数类型激活函数作为稀疏自动编码器的激活函数，用正则化交叉熵构造稀疏自动编码器的损失函数，并基于轴承故障数据训练稀疏自动编码器；
[0015]S2.用同类型的稀疏自动编码器构建若干个深度为3层的稀疏自动编码器，并将每个深度稀疏自动编码器的最高层设置为softmax层，用于实现故障分类；用原始的轴承振动信号训练每一个深度稀疏自动编码器，最终得到指数类型和非指数类型的深度稀疏自动编码器；
[0016]S3.选择一个故障分类精确度阈值ε∈[0.80,0.95]，检查每一个深度稀疏自动编码器在测试集上的性能，将所有高于阈值ε的深度稀疏自动编码器构成一个集合S；计算集合S中每一个深度稀疏自动编码器在测试集上的错误率e，按错误率升序排列深度稀疏自动编码器，形成有序集R；
[0017]S4.从有序集R中选择第一个分类器f1，用修改训练样本的权重，将分类错误的样本权重修改为原来的d倍，分类正确的样本权重修改为原来的1/d倍；为保证能学习到具有互补学习行为的深度稀疏自动编码器，再从集合S中任选一个不同于f1的分类器f2，并用修改后的训练样本训练f2；重复以上步骤T次，得到T个深度稀疏自动编码器，每一个分类器的权重
[0018]进一步的，所述步骤2)的具体过程如下：
[0019]S5.基于深度稀疏自动编码器的boosting集成模型其中，t＝1，2，
…
，T表示集成学习过程中迭代生成的不同深度稀疏自动编码器的编号，T表示深度稀疏自动编码器的总个数；
[0020]S6.依次从有序集R中选择在测试集上错误率次低的分类器作为第1个分类器，重复第4步和第5步，得到多个不同的基于深度稀疏自动编码器的boosting集成模型；
[0021]S7.采用投票法集成多个不同的基于深度稀疏自动编码器的boosting集成模型，形成最终的基于深度稀疏自动编码器的两阶段集成模型。
[0022]综上所述，本专利技术具有以下有益效果：
[0023]1)本专利技术采用基于深度稀疏自动编码器的boosting集成模型，避免了现有技术中因人工特征抽取而导致诊断结果不稳定的问题。
[0024]2)本专利技术通过采用稀疏自动编码器避免了现有技术的过拟合问题。
[0025]3)本专利技术生成的两阶段集成深度学习模型避免了单个深度学习模型在原始故障信号海量、复杂、维度高的情况下泛化性能低的问题。
附图说明
[0026]图1是本专利技术所述的稀疏自动编码器的示意图。
[0027]图2是本专利技术所述的不同类型的深度稀疏自动编码器的示意图。
[0028]图3是本专利技术所述的基于深度稀疏自动编码器的两阶段集成模型图。
具体实施方式
[0029]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本专利技术。
[0030]如图1、图2和图3所示，本专利技术提出的一种基于深度稀疏自动编码器的两阶段集成故障诊断模型，包括如下步骤：
[0031]1)首先采用不同类型的激活函数训练出具有不同学习行为的稀疏自动编码器，然后用堆叠方法将稀疏自动编码器构建为多个不同的深度稀疏自动编码器；
[0032]2)然后对深度稀疏自动编码器进行两阶段集成，其方法为先采用boosting集成策略得到多个基于深度稀疏自动编码器的集成模型，再用投票法集成多个集成模型，得到最终的基于深度稀疏自动编码器的两阶段故障诊断模型。
[0033]所述步骤1)的具体过程如下：
[0034]S1.用指数类型激活函数和非指数类型激活函数作为稀疏自动编码器的激活函数，用正则化交叉熵构造稀疏自动编码器的损失函数，并基于轴承故障数据训练稀疏自动编码器；
[0035]S2.用同类型的稀疏自动编码器构建若干个深度为3层的稀疏自动编码器，并将每个深度稀疏自动编码器的最高层设置为softmax层，用于实现故障分类；用原始的轴承振动信号训练每一个深度稀疏自动编码器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度稀疏自动编码器的两阶段集成故障诊断模型，其特征在于，包括如下步骤：1)首先采用不同类型的激活函数训练出具有不同学习行为的稀疏自动编码器，然后用堆叠方法将稀疏自动编码器构建为多个不同的深度稀疏自动编码器；2)然后对深度稀疏自动编码器进行两阶段集成，其方法为先采用boosting集成策略得到多个基于深度稀疏自动编码器的集成模型，再用投票法集成多个集成模型，得到最终的基于深度稀疏自动编码器的两阶段故障诊断模型。2.根据权利要求1所述的基于深度稀疏自动编码器的两阶段集成故障诊断模型，其特征在于，所述不同类型的激活函数包括指数类型激活函数和非指数类型激活函数。3.根据权利要求1所述的基于深度稀疏自动编码器的两阶段集成故障诊断模型，其特征在于，所述稀疏自动编码器采用正则化交叉熵损失函数，以确保稀疏自动编码器能学习到不同的变换。4.根据权利要求1所述的基于深度稀疏自动编码器的两阶段集成故障诊断模型，其特征在于，所述步骤1)的具体过程如下：S1.用指数类型激活函数和非指数类型激活函数作为稀疏自动编码器的激活函数，用正则化交叉熵构造稀疏自动编码器的损失函数，并基于轴承故障数据训练稀疏自动编码器；S2.用同类型的稀疏自动编码器构建若干个深度为3层的稀疏自动编码器，并将每个深度稀疏自动编码器的最高层设置为softmax层，用于实现故障分类；用原始的轴承振动信号训练每一个深度稀疏自动编码器，最终得到指数类型和非指数类型的深度...

【专利技术属性】
技术研发人员：王明浩，
申请(专利权)人：中云开源数据技术上海有限公司，
类型：发明
国别省市：