[发明专利]一种丝杠故障诊断方法

说明书

技术领域

本发明属于机械故障诊断技术领域，特别涉及滚珠丝杠故障诊断。

背景技术

随着科学技术的进步和工业需求的发展，滚珠丝杠一方面不断向复杂、高速、高效、轻型、微型或大型的方向发展，另一方面却又面临更加苛刻的工作和运行环境。在满足设备要求的同时，丝杠发生故障的潜在可能性和方式也在相应增加，并且丝杠一旦发生故障，就可能破坏整台设备甚至影响整个生产过程，造成巨大的经济损失，还可能导致灾难性的人员伤亡和形成严重的社会影响。因此，对滚珠丝杠实行在线监控，进行设备故障机理研究，建立有效、准确的故障诊断系统显得十分重要。

目前丝杠故障诊断与状态监测方法较少，《西南交通大学学报》2010,45(5):.公开了基于人工智能的丝杠寿命预测技术，采用B样条模糊神经网络建立丝杠寿命预测模型。《机械科学与技术》2013,5:003.公开了提取小波包分解后的各阶功率谱作为特征参数，利用BP神经网络建立丝杠性能退化评估模型。这些方法主要针对丝杠的性能退化预测，且其应用的方法不具有特征学习能力。

近年来兴起的特征学习可以很好的解决特征提取的问题。特征学习是一类可以将原始输入数据转换为能够有效进行监督学习的特征表示的机器学习问题，这是一种数据驱动的特征提取方法，学习过程不需要人类的先验知识的参与，因此此类特征学习的方法具有自适应强、鲁棒性强等特点。将特征学习的方法应用于机械设备故障诊断系统，可以把现场产生的大量原始数据转化为有价值的特征表示，为识别系统提供有价值的特征值。

发明内容

本发明的目的是提供一种丝杠故障诊断方法，它能有效地解决现有丝杠智能故障诊断系统人工提取特征困难和应用浅层网络非线性表达能力有限的问题。

本发明的目的是通过以下技术方案来实现的：设计一种可以实现具有特征学习能力的，具有多层网络结构的滚珠丝杠故障诊断方法，其步骤如下：

一、建立具有特征学习能力的网络结构

1、确定诊断模型的结构

本发明采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量。

2：确定故障诊断模型的输入端数量

设故障诊断模型有m个输入端节点，m个节点输入信号构成了一个输入端向量x，表示如下：

x＝(x₁,x₂,…,x_m)

式中，x_i为模型的第i个输入端节点，i＝1,2,…,m。

3、确定故障诊断模型的输出端数量

故障诊断输出端的数量由丝杠故障类型数量所确定，设丝杠有n种不同类型的故障，模型的输出端向量y为：

y＝(y₁,y₂,…,y_n)

式中，y_j为丝杠故障诊断模型的第j个输出信号，j＝1,2,…,n。

二、训练故障诊断模型

1、准备训练样本集

对每一种丝杠故障类型，采用不低于100组的数据构成各自训练样本集。

2、预训练

用原始信号作为第一层网络输入信号I₁＝x，第一层网络的中间层作为第二层网络的输入层I₂＝m₁,I₂指第二层网络的输入层，m₁指第一层网络的中间层。每层网络先分别训练，在训练每一层参数的时候，固定其它各层参数保持不变，再依次叠加成为多层网络。每层网络训练分为编码过程和解码过程，每层网络编码步骤为：

a¹＝x

z²＝W⁽¹⁾a¹+b⁽¹⁾

a²＝f(z²)

式中，a¹为第一层网络输入的值即为输入信号值，W⁽¹⁾是第一层的权重值，b⁽¹⁾是第一层的偏置值，z²是第二层的输入值，a²是第二层的激活值，f(·)是激活函数。解码步骤为编码步骤的反过程：

z³＝W^(1，1)′a²+b^(1，1)′

a³＝f(z³)