[发明专利]基于深度学习和支持向量机的滚动轴承故障诊断方法

权利要求书

1.基于深度学习和支持向量机的滚动轴承故障诊断方法，其特征在于，包括如下步骤：

1)在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；所述四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转；

2)建立深度信念网络模型，采用训练样本对深度信念网络模型进行训练，将训练样本输入深度信念网络模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度信念网络模型的连接权值和偏置参数；

3)将各种工况下的训练样本分别作为确定连接权值和偏置参数的深度信念网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型分别对每种工况下的各个训练样本进行重构，得到每种工况下的各个训练样本对应的训练样本重构信号；

4)通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；

5)将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型对测试样本进行重构，得到测试样本重构信号；

6)将测试样本重构信号作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本重构信号作为匹配基准，采用支持向量机分类方法对测试样本与训练样本进行匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。

2.根据权利要求1所述基于深度学习和支持向量机的滚动轴承故障诊断方法，其特征在于，所述步骤2)中所建立的深度信念网络模型的联合分布函数为：

E(v,h|θ)=-Σi=1Iaivi-Σj=1Jbjhj-Σi=1IΣj=1Jwijvihj;---(1)]]>

其中，θ＝(w_ij,a_i,b_j)为深度信念网络模型参数，w_ij表示深度信念网络的可见层第i个节点v_i与隐含层第j个节点h_j之间的连接权值，a_i和b_j分别表示可见层第i个节点v_i的偏置参数和隐含层第j个节点h_j的偏置参数；

采用非监督贪心逐层训练方法对深度信念网络模型进行逐层训练和调优，具体方式为：

21)采用逐层训练的方式对深度信念网络模型各层中的受限玻尔兹曼机进行训练，低一层受限玻尔兹曼机的隐含层输出作为上一层的受限玻尔兹曼机的可见层输入，直至得到深度信念网络模型最后一层隐含层的输出；具体为：

可见层节点与隐含层节点的联合概率分布概率p(v,h|θ)为：

p(v,h|θ)＝e^-E(v,h|θ)/Z(θ)；(2)

其中，Z(θ)=ΣvΣhe-E(v,h|θ)]]>为配分函数；

当给定可见层节点的状态时，隐含层第j个节点h_j的激活概率为：

p(hj=1|v,θ)=σ(bj+Σi=1Iviwji);---(3)]]>

当给定隐含层节点的状态时，可见层第i个节点v_i的激活概率为：

p(vi=1|h,θ)=σ(ai+Σi=1Ihjwji);---(4)]]>

其中，σ(x)＝1/(1+e^-x)为sigmoid函数；

根据上述激活概率，当将给定训练样本输入至可见层节点时，采用深度信念网络模型的联合分布函数激励隐含层的所有节点后，再进行下一隐含层节点的激励，从而重新获得可见层节点；然后，采用对比散度算法计算可见层数据的条件分布，得到隐含层数据，再用计算所得隐含层数据的条件分布，计算可见层数据，对可见层数据实现重构，利用梯度下降法，对深度信念网络模型参数的调整和更新，连接权值和偏置参数的更新差值分别为：

Δw_ij＝ε(<v_ih_j>_data-<v_ih_j>_recon)；(6)

Δa_i＝ε(<v_i>_data-<v_i>_recon)；(7)

Δb_j＝ε(<h_j>_data-<h_j>_recon)；(8)

其中，Δw_ij表示深度信念网络的可见层第i个节点v_i与隐含层第j个节点h_j之间的连接权值w_ij进行更新的更新差值，Δa_i和Δb_j分别表示可见层第i个节点v_i的偏置参数a_i进行更新的更新差值和隐含层第j个节点h_j的偏置参数b_j进行更新的更新差值；ε为训练的学习率，<·>_data表示训练数据集所定义的分布之上的数学期望，<·>_recon表示重构后的深度信念网络模型输出的分布上的数学期望；

经过上述逐层训练，直至得到深度信念网络模型最后一层隐含层的输出；

22)对步骤21所得的深度信念网络模型最后一层隐含层的输出进行反向传播网络的训练，并将训练预测输出的分类结果与训练样本的实际分类结果的分类误差逐层向后传播，对深度信念网络模型各层的连接权值进行调优；具体为：

反向传播网络的训练分为前向传播和后向传播两个过程；前向传播过程中，由步骤21所得的深度信念网络模型最后一层隐含层的输出作为输入被逐层传播到输出层，得到预测的分类类别，并根据训练样本的工况标签确定训练样本的实际分类结果，再将预测的分类结果与训练样本的实际分类结果进行比较得到分类误差，该分类误差被逐层向后回传，从而调优深度训练网络的参数；后向传播过程中，需要计算每一层的灵敏度δ的值，灵敏度δ被自顶向下传递以修正深度信念网络模型的连接权值；

对于输出层，假设第i个节点的实际输出为o_i，期望输出为d_i，那么第i个节点的灵敏度δ的计算表达式为：

δ_i＝o_i(1-o_i)(d_i-o_i)；(9)

对于第m个隐含层，第i个节点的灵敏度的计算表达式为：

δim=yim(1-yim)Σjwijmδjm+1;---(10)]]>

其中，表示第m个隐含层第i个节点的灵敏度，表示第m+1个隐含层第i个节点的灵敏度，表示第m个隐含层第i个节点的输出，表示第m个隐含层第i个节点与第m+1个隐含层第j个节点间的连接权值；

由此得到各个隐含层中各个节点的灵敏度δ之后，按下式对深度信念网络模型的连接权值进行更新调优：

wijm←wijm+ϵfine-tuning×yimδjm+1;---(11)]]>

bjm←bjm+ϵfine-tuning×δjm+1;---(12)]]>

其中，ε_fine-tuning表示调优学习率，表示第m个隐含层第j个节点的偏置参数；

对深度信念网络模型各层的连接权值进行调优后，最终确定整个深度信念网络模型的连接权值和偏置参数。

3.根据权利要求1所述基于深度学习和支持向量机的滚动轴承故障诊断方法，其特征在于，所述步骤6)采用支持向量机分类方法对测试样本与训练样本进行匹配的具体方式为：

61)在四种工况的训练样本中，针对其中第k类训练样本看作正类，k∈{1,2,3,4}，将其它3类训练样本看作负类，通过两类支持向量机分类方法得到第k类的分类决策函数f_k(x)：

fk(x)=Σn=1NαnkynK(x,xn)+bk;]]>

其中，为第k类分类决策函数f_k(x)中第n个的训练样本重构信号x_n对应的拉格朗日系数；b_k为第k类分类决策函数f_k(x)的最优超平面位置系数；y_n表示第n个训练样本对应的分类标记，当第n个训练样本属于正类时y_n＝1，当第n个训练样本属于负类时y_n＝-1；n∈{1,2,…,N}，N为四种工况的训练样本的总数；K(x,x_n)表示分类决策函数f_k(x)的输入量x相对于第n个的训练样本重构信号x_n的高斯径向基核函数；

由此得到四种工况中每一种工况所对应的分类决策函数；

62)将测试样本重构信号分别作为四种工况对应的分类决策函数的输入量，计算出测试样本重构信号作为输入量的四个分类决策函数值，以其中最大的分类决策函数值所对应的工况类别判定为测试样本的工况类别，得到待测滚动轴承的故障诊断结果。