本發(fā)明涉及機(jī)械故障診斷領(lǐng)域，具體的說(shuō)是一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法。

背景技術(shù)：

1、隨著制造業(yè)對(duì)現(xiàn)代化、自動(dòng)化需求的日益增長(zhǎng)，機(jī)械設(shè)備正朝著大規(guī)模、高速化、高精度的方向迅速發(fā)展。及時(shí)快速地診斷復(fù)雜系統(tǒng)中的故障能有效避免不必要的停機(jī)，嚴(yán)重的經(jīng)濟(jì)損失甚至人員傷亡。因此，準(zhǔn)確的故障診斷對(duì)機(jī)械設(shè)備的可靠運(yùn)行至關(guān)重要。

2、智能故障診能從大量原始監(jiān)測(cè)數(shù)據(jù)中自適應(yīng)地學(xué)習(xí)故障識(shí)別特征，并準(zhǔn)確診斷機(jī)械健康狀態(tài)。特征提取是智能故障診斷的關(guān)鍵部分，能直接影響診斷效果。不同于傳統(tǒng)特征提取方法對(duì)于經(jīng)驗(yàn)和先驗(yàn)知識(shí)的過(guò)度依賴(lài)及提取特征不可用于多任務(wù)場(chǎng)景的限制，無(wú)監(jiān)督特征學(xué)習(xí)可以直接從診斷數(shù)據(jù)中學(xué)習(xí)到用于故障診斷的特征。自編碼器是應(yīng)用最為廣泛的無(wú)監(jiān)督特征學(xué)習(xí)方法之一，但其僅僅是學(xué)習(xí)恒等函數(shù)的近似表達(dá)，而不能充分挖掘數(shù)據(jù)的結(jié)構(gòu)信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明是為了解決上述現(xiàn)有技術(shù)存在的不足之處，提出一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法，以期能利用無(wú)監(jiān)督特征學(xué)習(xí)方法，挖掘隱藏在原始數(shù)據(jù)中的故障信息，從而能提升滾動(dòng)軸承故障診斷的準(zhǔn)確性。

2、本發(fā)明為達(dá)到上述發(fā)明目的，采用如下技術(shù)方案：

3、本發(fā)明一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法的特點(diǎn)在于，包括以下步驟：

4、步驟1、對(duì)電機(jī)在不同軸速度下采集的各類(lèi)健康狀態(tài)的滾動(dòng)軸承原始振動(dòng)信號(hào)樣本進(jìn)行分片和白化處理，從而構(gòu)建全局訓(xùn)練樣本集；

5、獲取滾動(dòng)軸承的振動(dòng)信號(hào)樣本集，其中，為第個(gè)振動(dòng)信號(hào)樣本，p表示采樣點(diǎn)的總數(shù)，是對(duì)應(yīng)的健康狀態(tài)；c表示健康狀態(tài)的種類(lèi)；

6、對(duì)進(jìn)行重疊率為，片段長(zhǎng)度為的分片處理后再進(jìn)行白化處理，得到第t個(gè)局部樣本片段集，從而得到全局訓(xùn)練樣本集，其中，表示中的第i個(gè)局部樣本片段，m表示每個(gè)振動(dòng)信號(hào)樣本的局部樣本片段總數(shù)，；

7、步驟2、從全局訓(xùn)練樣本集隨機(jī)選取一定比例的局部樣本片段構(gòu)成局部訓(xùn)練樣本集，其中，表示中第k個(gè)抽取的局部樣本片段，表示抽取的局部樣本片段總數(shù)，且；

8、步驟3、基于局部訓(xùn)練樣本集，利用復(fù)雜度不變距離測(cè)量方法構(gòu)造權(quán)重圖，其中，是權(quán)重圖的邊集合；

9、步驟4、構(gòu)建局部保留自編碼器，包括編碼器h和解碼器d，并對(duì)和進(jìn)行處理后，得到對(duì)應(yīng)的全局重構(gòu)結(jié)果及對(duì)應(yīng)的局部重構(gòu)結(jié)果；

10、步驟5、利用式(4)構(gòu)建局部保留自編碼器的損失函數(shù)loss：

11、??(4)

12、式(4)中，?是由相似度矩陣和單位矩陣的組合矩陣，是局部保留罰項(xiàng)參數(shù)，t表示轉(zhuǎn)置，表示矩陣的跡；

13、步驟6、以最小損失函數(shù)loss為目標(biāo)，使用l-bfgs算法優(yōu)化局部保留自編碼器的參數(shù)，得到訓(xùn)練后的局部保留自編碼器；

14、步驟7、采用訓(xùn)練后的局部保留自編碼器提取振動(dòng)信號(hào)樣本集的特征向量，并構(gòu)成分類(lèi)器的訓(xùn)練數(shù)據(jù)集；

15、將輸入訓(xùn)練好的局部保留自編碼器模型中進(jìn)行處理，得到第t個(gè)局部特征表征集，并對(duì)進(jìn)行平均池化處理后，得到對(duì)應(yīng)的特征向量，從而得到分類(lèi)器的訓(xùn)練數(shù)據(jù)集，其中，表示的局部特征表征；

16、步驟8、將分類(lèi)器的訓(xùn)練數(shù)據(jù)集輸入分類(lèi)器中進(jìn)行處理，并利用用式(5)構(gòu)建分類(lèi)器的損失函數(shù)，從而對(duì)分類(lèi)器進(jìn)行訓(xùn)練，得到訓(xùn)練后的最優(yōu)分類(lèi)器；

17、???(5)

18、式(5)中，是指示函數(shù)，當(dāng)內(nèi)部條件成立時(shí)，為1，否則，為0；是權(quán)重衰減因子，表示分類(lèi)器對(duì)應(yīng)的第c個(gè)參數(shù)；

19、步驟9、將給定的任意新的振動(dòng)信號(hào)樣本輸入訓(xùn)練好的局部保留自編碼器模型中進(jìn)行處理，得到對(duì)應(yīng)的特征向量，再將特征向量輸入到訓(xùn)練后的最優(yōu)分類(lèi)器中，從而利用式(4)得到屬于第類(lèi)健康狀態(tài)的概率，從而實(shí)現(xiàn)對(duì)軸承故障的分類(lèi)；

20、?????(6)

21、式(4)中，是最優(yōu)分類(lèi)器的第c個(gè)參數(shù)。

22、本發(fā)明所述的一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法的特點(diǎn)也在于，所述步驟3包括以下步驟：

23、步驟3.1、利用復(fù)雜度不變的距離測(cè)量公式得到的個(gè)最近鄰樣本集；

24、步驟3.2、利用式(1)獲得相似度矩陣：

25、??????(1)

26、式(1)中，表示和第個(gè)抽取的局部樣本片段之間的關(guān)系，當(dāng)時(shí)，令，否則，令；

27、步驟3.3、將中的各個(gè)局部樣本片段作為權(quán)重圖的頂點(diǎn)，各頂點(diǎn)之間的相似度，即連接權(quán)重作為權(quán)重圖的邊，從而構(gòu)建權(quán)重圖。

28、進(jìn)一步的，所述步驟4包括以下步驟：

29、步驟4.1、由全局訓(xùn)練樣本集組成全局?jǐn)?shù)據(jù)矩陣，并輸入編碼器h中進(jìn)行處理，從而利用式(2)得到其對(duì)應(yīng)的隱藏特征表示；

30、?(2)

31、式(2)中，，分別是編碼器h的權(quán)重矩陣和偏置，表示將復(fù)制次的運(yùn)算符，是激活函數(shù)；

32、步驟4.2、解碼器利用式(3)對(duì)隱藏特征表示進(jìn)行解碼操作，得到對(duì)應(yīng)的全局重構(gòu)結(jié)果；

33、??(3)

34、式(3)中，，分別是解碼器d的權(quán)重矩陣和偏置；

35、步驟4.3、由局部訓(xùn)練樣本集組成局部數(shù)據(jù)矩陣，并按照步驟4.1-步驟4.2的編碼與解碼操作后，得到對(duì)應(yīng)的局部重構(gòu)結(jié)果。

36、本發(fā)明一種電子設(shè)備，包括存儲(chǔ)器以及處理器的特點(diǎn)在于，所述存儲(chǔ)器用于存儲(chǔ)支持處理器執(zhí)行所述滾動(dòng)軸承故障診斷方法的程序，所述處理器被配置為用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的程序。

37、本發(fā)明一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序的特點(diǎn)在于，所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)執(zhí)行所述滾動(dòng)軸承故障診斷方法的步驟。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

39、1、由于軸承通常工作在變轉(zhuǎn)速、變負(fù)載的復(fù)雜工況下，其監(jiān)測(cè)信號(hào)呈現(xiàn)出高度非線性、非平穩(wěn)，噪聲大、故障特征微弱等特點(diǎn)。本發(fā)明通過(guò)聯(lián)合優(yōu)化標(biāo)準(zhǔn)自編碼器的代價(jià)函數(shù)的局部保留懲罰項(xiàng)，實(shí)現(xiàn)數(shù)了據(jù)從原始空間到重建空間的精準(zhǔn)重構(gòu)和局部特性保留，有效提升了無(wú)監(jiān)督框架下判別性特征的學(xué)習(xí)能力，增強(qiáng)了軸承復(fù)雜信號(hào)特征的提取能力。

40、2、由于軸承的監(jiān)測(cè)信號(hào)通常是時(shí)序數(shù)據(jù)，歐式距離作為常用的相似性度量方式不適合度量?jī)啥螘r(shí)序數(shù)據(jù)之間的相似性。而本發(fā)明采用復(fù)雜度不變距離度量取代傳統(tǒng)的歐氏距離度量，從而精確評(píng)估了兩段時(shí)序數(shù)據(jù)的相似性。

技術(shù)特征：

1.一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法，其特征在于，所述步驟3包括以下步驟：

3.根據(jù)權(quán)利要求2所述的一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法，其特征在于，所述步驟4包括以下步驟：

4.一種電子設(shè)備，包括存儲(chǔ)器以及處理器，其特征在于，所述存儲(chǔ)器用于存儲(chǔ)支持處理器執(zhí)行權(quán)利要求1-3中任一所述滾動(dòng)軸承故障診斷方法的程序，所述處理器被配置為用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的程序。

5.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)執(zhí)行權(quán)利要求1-3中任一所述滾動(dòng)軸承故障診斷方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于局部保留自編碼器的滾動(dòng)軸承故障診斷方法，包括：1對(duì)電機(jī)在不同軸速度下采集的各類(lèi)健康狀態(tài)的滾動(dòng)軸承的原始振動(dòng)信號(hào)樣本進(jìn)行分片和白化處理，從而構(gòu)建全局訓(xùn)練樣本集；2從全局訓(xùn)練樣本集隨機(jī)選取一定比例的樣本構(gòu)成局部訓(xùn)練樣本集；3利用復(fù)雜度不變距離測(cè)量法構(gòu)造權(quán)重圖；4利用全局及局部訓(xùn)練樣本集和權(quán)重圖對(duì)局部保留自編碼器模型進(jìn)行訓(xùn)練，采用訓(xùn)練后的模型網(wǎng)絡(luò)參數(shù)提取原始振動(dòng)信號(hào)樣本的特征向量，從而構(gòu)成分類(lèi)器訓(xùn)練數(shù)據(jù)集；5用分類(lèi)器訓(xùn)練數(shù)據(jù)集訓(xùn)練用于軸承故障診斷的分類(lèi)器。本發(fā)明通過(guò)在重構(gòu)空間中保留原始空間的數(shù)據(jù)局部結(jié)構(gòu)信息，獲得信息豐富和有識(shí)別力的特征，從而有效提升故障識(shí)別效果。

技術(shù)研發(fā)人員：儲(chǔ)昭碧,魯正華,張志強(qiáng)
受保護(hù)的技術(shù)使用者：合肥工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19