一种基于自编码网络的滚动轴承冲击型故障特征提取方法技术

本发明专利技术公开了一种基于自编码网络的滚动轴承冲击型故障特征提取方法。所述方法包括：融合稀疏表示理论与自编码神经网络构建稀疏表示自编码网络；根据滚动轴承冲击型故障数学模型优化稀疏表示自编码网络；采集滚动轴承故障时的轴承端盖测点处的振动加速度信号x

【技术实现步骤摘要】
一种基于自编码网络的滚动轴承冲击型故障特征提取方法


[0001]本专利技术涉及旋转机械故障诊断和信号处理领域，具体涉及一种基于自编码网络的滚动轴承冲击型故障特征提取方法。

技术介绍

[0002]滚动轴承承载能力大，在汽车、船舶、航空等众多领域中应用广泛。但一般工作环境比较恶劣，容易发生故障，轻则影响设备使用寿命，重则引发重大财产损失和人员伤亡，所以对滚动轴承进行正确故障诊断具有重要意义。故障信号特征提取是滚动轴承故障诊断的基础，在恶劣工况的干扰下实现高精度的特征提取，可以为后续分析提供有力依据，具备重要的工程应用价值。
[0003]常用的传统信号特征提取方法有调频字典稀疏表示方法(DING Chuacang,ZHAO Ming,LIN Jing.Sparse feature extraction based on periodical convolutional sparse representation for fault detection of rotating machinery[J].Measurement Science and Technology,2020,32(1):8
‑
15.)、相关滤波稀疏表示方法(HE Guolin,DING Kang,LIN Huibin.Fault feature extraction of rolling element bearings using sparse representation[J].Journal of Sound and Vibration,2016,366(3):514
‑
527.)和K
‑
SVD字典学习稀疏表示方法(王华庆,任帮月,宋浏阳,等.基于终止准则改进K
‑
SVD字典学习的稀疏表示特征增强方法[J].机械工程学报,2019,55(7):35
‑
43.)等，基于相关滤波的稀疏表示方法可以提取出具备物理意义的故障信号特征参数，但相关滤波法得到的参数存在着精度限制，无法自适应优化。神经网络因其强大的特征学习能力在故障特征提取领域得到了愈发广泛的应用，其中自编码神经网络可以提取出故障信号的深层特征向量(杨蕊,李宏坤,王朝阁,等.利用FCKT以及深度自编码神经网络的滚动轴承故障智能诊断[J].机械工程学报,2019,55(7):65
‑
72.)，学者尝试将自编码神经网络结合信号处理方法以得到具备时频敏感性的特征向量(SHAO Haidong,JIANG Hongkai,ZHAO Ke,et al.Anovel tracking deep wavelet auto
‑
encoder method for intelligent fault diagnosis of electric locomotive bearings[J].Mechanical Systems and Signal Processing,2018,110(9):193
–
209.)，但以上方法得到的为抽象特征量，不具备可解释性，无法为诊断结果提供物理依据，且无法重构降噪故障信号。

技术实现思路

[0004]本专利技术的目的是针对现有技术的不足，提供一种基于自编码网络的滚动轴承冲击型故障特征提取方法。融合稀疏表示理论与自编码神经网络，基于故障机理模型提取具备物理意义的特征参数，在转速波动与信号缺失下均可实现冲击型故障响应信号的降噪重构与特征参数提取，求解精度高且具有良好的抗噪性。
[0005]本专利技术的目的至少通过如下技术方案之一实现。
[0006]一种基于自编码网络的滚动轴承冲击型故障特征提取方法，包括以下步骤：
[0007]S1、融合稀疏表示理论与自编码神经网络构建稀疏表示自编码网络；
[0008]S2、根据滚动轴承冲击型故障数学模型优化稀疏表示自编码网络；
[0009]S3、采集滚动轴承故障时的轴承端盖测点处的振动加速度信号x
o
(t)；
[0010]S4、将振动加速度信号x
o
(t)输入稀疏表示自编码网络，重构降噪故障信号，提取故障特征参数向量K。
[0011]进一步地，步骤S1中包括以下步骤：
[0012]S1.1、自编码神经网络具备深度学习能力，可以提取高精度的特征量，而稀疏表示理论具备一定的可解释性，可以提取具备物理意义的特征参数，两者均实现了目标信号的特征提取与重构过程，具备理论上的共通性，以此为融合机理，构建具备可解释性的稀疏表示自编码网络；稀疏表示自编码网络包括编码层与解码层，信号从编码层输入进行编码，编码后输入解码层，最后由解码层输出重构信号并提取故障特征参数；
[0013]S1.2、根据冲击型故障响应机理模型构建冲击型故障响应函数表达式；
[0014]S1.3、根据冲击型故障响应函数的表达式，确定稀疏表示自编码网络的故障响应信号第i阶原子d
i
(t)及其故障特征参数向量K
i
＝[f
di
,ξ
i
,τ
i
]，通过故障响应信号原子矩阵与中间层特征向量y表示冲击型故障响应信号。
[0015]进一步地，步骤S1.1中，稀疏表示自编码网络的编码层采用自编码神经网络的编码层，等效为稀疏向量求解过程；将自编码神经网络的解码层等效为字典学习与故障信号降噪重构过程，将自编码神经网络的解码层的原子替换为故障响应信号原子d
i
(t)，作为稀疏表示自编码网络的解码层，完成稀疏表示自编码网络的基础结构构建，解码层信号重构公式为：
[0016][0017]其中，t为时间，A为原子的幅值向量，d
i
(t)为故障响应信号第i阶原子的时域表达式，K
i
是故障响应信号第i阶原子的故障特征参数向量，i为原子阶数，F(K
i
)是故障响应信号第i阶原子d
i
(t)在故障特征参数向量K
i
维度上的函数式，F(K
i
)与d
i
(t)公式相同，x
re
(t)为时域上的重构信号，η(t)为时域上的噪声信号，W
d
为稀疏表示自编码网络的解码层权值矩阵，y为中间层特征向量；稀疏表示自编码网络具备一定的可解释性，通过神经网络深度学习能力，可以提取具备物理意义的高精度特征参数。
[0018]进一步地，步骤S1.2中，冲击型故障响应函数表达式：
[0019][0020]其中，f
dj
、ξ
j
分别为冲击型故障系统被激起的第j阶模态的固有频率与阻尼比；τ
h
为第h个冲击响应的时延量，t≤τ
h
时冲击型故障响应函数幅值为0；A
hj
为第h个冲击发生时刻第j阶模态的冲击响应原子的幅值，T
p...

【技术保护点】

【技术特征摘要】
1.一种基于自编码网络的滚动轴承冲击型故障特征提取方法，其特征在于，包括以下步骤：S1、融合稀疏表示理论与自编码神经网络构建稀疏表示自编码网络；S2、根据滚动轴承冲击型故障数学模型优化稀疏表示自编码网络；S3、采集滚动轴承故障时的轴承端盖测点处的振动加速度信号x
o
(t)；S4、将振动加速度信号x
o
(t)输入稀疏表示自编码网络，重构降噪故障信号，提取故障特征参数向量K。2.根据权利要求1所述的一种基于自编码网络的滚动轴承冲击型故障特征提取方法，其特征在于，步骤S1中包括以下步骤：S1.1、稀疏表示自编码网络包括编码层与解码层，信号从编码层输入进行编码，编码后输入解码层，最后由解码层输出重构信号并提取故障特征参数；S1.2、根据冲击型故障响应机理模型构建冲击型故障响应函数表达式；S1.3、根据冲击型故障响应函数的表达式，确定稀疏表示自编码网络的故障响应信号第i阶原子d
i
(t)及其故障特征参数向量K
i
＝[f
di
,ξ
i
,τ
i
]，通过故障响应信号原子矩阵与中间层特征向量y表示冲击型故障响应信号。3.根据权利要求2所述的一种基于自编码网络的滚动轴承冲击型故障特征提取方法，其特征在于，步骤S1.1中，稀疏表示自编码网络的编码层采用自编码神经网络的编码层，等效为稀疏向量求解过程；将自编码神经网络的解码层等效为字典学习与故障信号降噪重构过程，将自编码神经网络的解码层的原子替换为故障响应信号原子d
i
(t)，作为稀疏表示自编码网络的解码层，完成稀疏表示自编码网络的基础结构构建，解码层信号重构公式为：其中，t为时间，A为原子的幅值向量，d
i
(t)为故障响应信号第i阶原子的时域表达式，K
i
是故障响应信号第i阶原子的故障特征参数向量，i为原子阶数，F(K
i
)是故障响应信号第i阶原子d
i
(t)在故障特征参数向量K
i
维度上的函数式，F(K
i
)与d
i
(t)公式相同，x
re
(t)为时域上的重构信号，η(t)为时域上的噪声信号，W
d
为稀疏表示自编码网络的解码层权值矩阵，y为中间层特征向量。4.根据权利要求3所述的一种基于自编码网络的滚动轴承冲击型故障特征提取方法，其特征在于，步骤S1.2中，冲击型故障响应函数表达式：sin[2πf
dj
(t
‑
τ
h
‑
hT
p
)]+η(t)
ꢀꢀ
t≥τ
h
其中，f
dj
、ξ
j
分别为冲击型故障系统被激起的第j阶模态的固有频率与阻尼比；τ
h
为第h个冲击响应的时延量，t≤τ
h
时冲击型故障响应函数幅值为0；A
hj
为第h个冲击发生时刻第j阶模态的冲击响应原子的幅值，T
p
为冲击响应的间隔周期，x
im
(t)为冲击型故障响应函数，η(t)为时域上的噪声信号，H为冲击响应的数量，J为模态阶数。
5.根据权利要求4所述的一种基于自编码网络的滚动轴承冲击型故障特征提取方法，其特征在于，步骤S1.3中，通过故障响应信号原子矩阵与中间层特征向量y表示冲击型故障响应信号为：其中，F(f
di
,ξ
i
,τ
i
)是故障响应信号第i阶原子d
i
(t)在故障特征参数向量K
i
＝[f
di
,ξ
i
,τ
i
]维度上的函数式，也称为故障响应信号原子；f
di
为故障响应信号第i阶原子的固有频率，ξ
i
为故障响应信号第i阶原子的阻尼比，τ
i
为故障响应信号第i阶原子的冲击发生时刻，故障响应信号第i阶原子d
i
(t)＝F(f
di
,ξ
i
,τ
i
)，其表达式为：6.根据权利要求5所述的一种基于自编码网络的滚动轴承冲击型故障特征提取方法，其特征在于，步骤S2包括以下步骤：S2.1、稀疏表示自编码网络的编码层算法不做改动，编码层的特征参数即为稀疏表示自编码网络的原始权值矩阵与偏置向量，通过随机梯度下降法对稀疏表示自编码网络的编码层进行参数寻优；S2.2、稀疏表示自编码网络的解码层通过链式法则实现冲击型故障特征参数的更新；S2.3、由于参数数量级存在巨大差异，无法通过单一步长使所有参数得到有效优化，为提高收敛速度，将参数按数量级差异分步激活为变量参与更新，分别适配学习率；为提高收敛速度，按照冲击型故障系统最高故障通过频率对冲击型故障响应信号进行分段，确保每段至多只存在一个冲击，减少计算涉及的数据量与参数量；S2.4、为保证稀疏表示自编码网络计算时的收敛速度，对冲击型故障响应信号进行分段分析，设定稀疏表示自编码网络的层数为分段信号数B，并将B层稀疏表示自编码网络统称为冲击型故障特征提取层；为防止提取到无关频率成分，对提取的各分段的固有频率进行3σ分析，故障成分的固有频率保持一致，而误差干扰的固有频率为随机项不满足3σ条件，对不满足3σ条件的分段重构幅值置0；...

【专利技术属性】
技术研发人员：郑琛，丁康，何国林，叶鸣，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：