[发明专利]基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法

权利要求书

1.基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法，其特征在于，该方法包括以下步骤：

利用振动传感器，采集轴承的振动信号；

进行时频关联向量卷积波尔兹曼机的训练；

将采集到的振动信号输入至经过训练后的时频关联向量卷积波尔兹曼机；

时频关联向量卷积波尔兹曼机自动计算并输出损伤识别结果；

进行时频关联向量卷积波尔兹曼机的训练包括以下步骤：

1)对采集到的振动信号进行小波包分解；

2)将小波包分解所得的时频特征输入卷积波尔兹曼机进行卷积计算和无监督学习；

3)将步骤2)所得的网络连接权值输入关联向量分类机进行有监督学习；

4)将步骤3)所得的网络连接权值输入关联向量回归机中进行有监督学习。

2.根据权利要求1所述的轴承损伤识别方法，其特征在于，步骤1)具体为：

对每个振动信号在n尺度下作小波包分解，并将n组时频特征信号分别作为n个卷积波尔兹曼机的输入。

3.根据权利要求1所述的轴承损伤识别方法，其特征在于，步骤2)包括以下步骤：

A，将经过小波包分解后获得的时频特征输入到每个卷积波尔兹曼机的可视层；

B，将可视层的时频特征进行卷积采样后输入到隐含层；

C，将隐含层的时频特征进行降维和正规化后输入到池化层；

D，对卷积波尔兹曼机进行无监督学习，得到训练后的网络连接权值。

4.根据权利要求3所述的轴承损伤识别方法，其特征在于，步骤D具体为：

随机初始化网络连接权值和可视层偏置向量；

通过对比散度算法将网络连接权值更新至最大迭代次数；

得到训练后的网络连接权值。

5.根据权利要求1所述的轴承损伤识别方法，其特征在于，步骤3)具体为：

在卷积波尔兹曼机的输出层设置一个关联向量机作为关联向量分类机；

将步骤2)中通过无监督学习获得的网络连接权值作为初始值；

定义关联向量分类机的输出模型；

选取高斯核函数；

初始化尺度参数σ²，惩罚因子α；

将轴承部件作为标签，采用反传BP算法有监督学习步骤2)中通过无监督学习获得的网络连接权值。

6.根据权利要求1所述的轴承损伤识别方法，其特征在于，步骤4)具体为：

设置一个关联向量机作为关联向量回归机；

将步骤3)中通过有监督学习获得的网络连接权值作为初始值；

将轴承部件的损失尺寸作为标签，采用反传BP算法对网络连接权值进行有监督学习。