一种基于宽度学习的稀土萃取搅拌轴故障诊断方法技术

一种基于宽度学习的稀土萃取搅拌轴故障诊断方法，属于稀土萃取设备故障诊断领域，获取稀土萃取搅拌轴末端振动加速度信号，使用降噪自编码器的方法对振动加速度信号进行降噪，得到优化后的加速度信号；将优化加速度信号带入宽度学习模型中进行训练并进行验证，得到稀土萃取搅拌轴故障诊断模型；相较于深度学习，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能；此外，本发明专利技术仅通过对原始的振动加速度信号进行采样，便可构建了更新基于宽度学习的稀土萃取搅拌轴故障诊断模型，输入量单一简单的情况下，能够达到故障类型判断精确的效果。果。果。

【技术实现步骤摘要】
一种基于宽度学习的稀土萃取搅拌轴故障诊断方法


[0001]本专利技术涉及稀土萃取设备故障诊断领域，具体包括一种基于宽度学习的稀土萃取搅拌轴故障诊断方法。

技术介绍

[0002]在稀土行业的发展，受到工业设备发展的极大限制，工业生产设备的发展程度，显示了我国工业发展整体上并不先进，这也是稀土行业发展的关键。对于矿产资源开发生产企业来说，粉体材料行业的萃取生产过程自动化程度仍然比较落后，大量工作依靠人工操作来完成，离线分析，组分检测，手动控制，生产效率较低。在稀土生产工艺过程中，关键工艺就是萃取剂与被萃取元素的溶解充分与否，不充分溶解的结果就是造成质量事故，浪费资源。造成不完全溶解的因素有很多，比如传动带的打滑；搅拌电机的不正常运转，甚至停止生产。当传动带发生打滑，以及搅拌电机进行二次提取，影响生产效率，严重的会导致停工。因此，对生产过程有效的故障监测是生产质量、安全生产的保障。
[0003]宽度学习是一种不依赖深度结构的神经网络结构，宽度学习(BLS)以及它的各种变体和扩展结构具有良好的发展潜力，在实际应用中表现出其快速且高精度的优秀性能。目前宽度学习在很多
都有展开应用，比如时间序列、高光谱分析、脑机信号分析、容错、基因鉴定与疾病检测、步态识别、3D打印以及智能交通等。随着人工智能技术研究的持续深入，宽度学习这种不需要深度结构的高效增量学习系统有望加速助推人工智能的发展。相较于深度学习，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。

技术实现思路

[0004]针对现有技术中达不到稀土萃取搅拌轴故障诊断的技术局限性，本专利技术提供了一种基于宽度学习的稀土萃取搅拌轴故障诊断方法。
[0005]本专利技术包括以下几个步骤。
[0006]步骤1：获取搅拌轴末端振动加速度信号，通过数据预处理得到优化振动加速度信号；步骤2：使用优化振动加速度信号来训练宽度学习系统得到诊断模型，其中70%作为训练集，30%作为测试集，首先使用训练集对模型进行训练，模型训练完成后是一个多分类模型，分别表示内轴故障、外轴故障、滚动故障、正常四种状态；步骤3：对测试集数据进行与步骤1相同的数据预处理后，使用步骤2得到的诊断模型进行诊断测试，当新增数据达到一定数量后，同时利用增量学习的方法对模型进行更新；
步骤4：根据步骤3中的诊断结果判断稀土萃取搅拌轴的故障状态，在实现对稀土萃取搅拌轴故障实时检测的同时完成模型的更新。
[0007]优选的，数据预处理包括：获取稀土萃取搅拌轴末端振动加速度信号，将其描述成一个N*1的矩阵，使用降噪自编码器（DAE）的方法对其进行降噪处理，将所述原始振动加速度信号输入到DAE的声发射信号消噪模型的输入层，对信号进行编码，提取深层次表示特征；，其中编码的公式为：z为DAE隐层某一神经单元的输出，其计算公式为：其中，n为与该神经单元所连接的输入单元数，w
i
是为相应的连接权重，x
i
是相应的单元输入，当提取到特征后，对提取出的特征利用进行解码，其解码的计算公式为：解码后将信号进行重构，即可得出去噪后的信号，完成信号的预处理。
[0008]优选的，训练宽度学习系统得到诊断模型，包括：建立输入数据到特征节点的映射，对输入的数据进行z分数标准化，确保输入数据已经归一化到0到1之间，其计算公式为：其中，为振动加速度信号标准化后数据，μ为信号均值，σ为信号标准差，x为信号原始数据，标准化数据后对训练集进行增广，在训练集最后增加一列1，为了在生成特征节点时可以直接通过矩阵运算增加偏置项，其中，生成节点首先需要随机生成权重矩阵We与偏置矩阵β
e
，映射成特征节点Z
i
，其中Z
i
=θ(XWe+β
e
)，X是信号矩阵，θ是激活函数，映射完特征节点后，需要对其进行映射生成增强节点Hj，首先需要随机生成权重矩阵Wh与偏置矩阵β
h
，Hj=ε(XWh+β
h
)，ε代表激活函数，将Z
i
与Hj进行矩阵拼接得到新的矩阵A，作为网络的最终输入层并对诊断模型进行训练，并使用测试集进行诊断模型测试，若测试结果的准确率要求则完成模型的训练。
[0009]优选的，所述的生成特征节点所使用的激活函数为Relu函数，生成增强节点所用的激活函数为tanh函数。
[0010]优选的，增量学习包括随机生成权重矩阵Wa与βa，计算生成增强特征H
m+1
，其中H
m+1
=ε(XWa+βa)，更新输入矩阵A与网络权重，使用新增数据，更新后的输入矩阵可以表示为：
A1为原始矩阵，A2为新增矩阵，求出A的伪逆与更新后的权重，实现模型的更新。
[0011]优选的，所述网络的输入层，其包含特征节点数量n＝30、增强节点数量m＝150。
[0012]与现有技术相比，本专利技术的有益效果为：本专利技术中基于所述优化加速度信号在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对稀土萃取搅拌轴故障进行检测。宽度学习的单层结构避免了深度神经网络的多层网络结构，使得参数数量大幅减少，模型训练速度快。增量式学习的方法则解决了当数据增加时花费大量时间重新训练整个网络的窘境。在可接受的准确率范围内可替代深度学习，且速度快模型泛化能力强。
附图说明
[0013]图1为本专利技术所提供的基于宽度学习的稀土萃取搅拌轴故障诊断方法流程图。
具体实施方式
[0014]下面结合附图及具体实例，对本专利技术作进一步详细说明。
[0015]本案例使用数据集来自稀土搅拌轴实验台连续两个月的运行数据，包含有不同类别、直径、转速的正常或者故障部位的驱动端加速度、风扇端加速度等。本次实验选取直径为0.07英寸，输入轴转速为1797r/min，电机载荷0HP，信号采样频率为12kHz，分别采集轴承正常状态、内圈故障、滚动体故障、外圈故障4种状态振动信号。
[0016]结合如图1所示的一种基于宽度学习的稀土萃取搅拌轴故障诊断方法的流程图，现对其具体实施步骤阐述如下。
[0017]步骤1：获取搅拌轴末端振动加速度信号，通过数据预处理得到优化振动加速度信号，其中数据预处理包括获取稀土萃取搅拌轴末端振动加速度信号，将其描述成一个N*1的矩阵，使用降噪自编码器（DAE）的方法对其进行降噪处理，将所述原始振动加速度信号输入到DAE的声发射信号消噪模型的输入层，对信号进行编码，提取深层次表示特征；，其中编码的公式为：z为DAE隐层某一神经单元的输出，其计算公式为：其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习的稀土萃取搅拌轴故障诊断方法，其特征在于，所述的稀土萃取搅拌轴故障诊断方法包括以下几个步骤：步骤1：获取搅拌轴末端振动加速度信号，通过数据预处理得到优化振动加速度信号；步骤2：使用优化振动加速度信号来训练宽度学习系统得到诊断模型，其中70%作为训练集，30%作为测试集，首先使用训练集对模型进行训练，模型训练完成后是一个多分类模型，分别表示正常、内轴故障、外轴故障、滚动体故障的故障状态；步骤3：对测试集数据进行与步骤1相同的数据预处理后，使用步骤2得到的诊断模型进行诊断测试，当新增数据达到一定数量后，同时利用增量学习的方法对模型进行更新；步骤4：根据步骤3中的诊断结果判断稀土萃取搅拌轴的故障状态，在实现对稀土萃取搅拌轴故障实时检测的同时完成模型的更新。2.如权利要求1所述的故障诊断方法，其特征在于，所述的数据预处理，包括：获取稀土萃取搅拌轴末端振动加速度信号，将其描述成一个N*1的矩阵，使用降噪自编码器（DAE）的方法对其进行降噪处理，将所述原始振动加速度信号输入到DAE的声发射信号消噪模型的输入层，对信号进行编码，提取深层次表示特征；，其中编码的公式为：z为DAE隐层某一神经单元的输出，其计算公式为：其中，n为与该神经单元所连接的输入单元数，w
i
是为相应的连接权重，x
i
是相应的单元输入，当提取到特征后，对提取出的特征利用进行解码，其解码的计算公式为：解码后将信号进行重构，即可得出去噪后的信号，完成信号的预处理。3.如权利要求1所述的故障诊断方法，其特征在于，所述训练宽度学习系统得到诊断模型，包括：建立输入数据到特征节点的映射，对输入的数据进行z分数标准化，确保输入数据已经归一化到0到1之间，其计算公式为：其...

【专利技术属性】
技术研发人员：李安昊，曾勃乔，罗奕，林高伟，康文杰，何宇华，陈健，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：