[发明专利]基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法

说明书

本发明涉及一种基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法，包括：对滚动轴承不同健康状态的原始信号进行样本划分，生成训练样本；层叠受限玻尔兹曼机(Restricted Boltzmann Machine)建立DBN模型，加入Nesterov动量法和独立自适应学习率，将训练样本输入DBN模型，通过批量随机梯度下降法和贪婪逐层无监督算法预训练DBN模型；在预训练好的模型顶层加入Softmax分类器，使用监督算法单独训练Softmax分类器，通过反向传播算法(Back Propagation)和共轭梯度法进行全局微调，得到模型最优参数；输入未知状态信号，形成测试样本集，然后将测试样本输入上述训练好的DBN模型和Softmax分类器判断滚动轴承的故障类型。通过加入Nesterov动量法和独立自适应学习率，加快DBN预训练速度，提高故障分类精度。

技术领域

本发明涉及滚动轴承故障诊断的技术领域，尤其涉及一种基于Nesterov动量法的自适应深度置信网络(Deep Belief Network)轴承故障诊断方法。

背景技术

滚动轴承是航天航空、电力、石化、冶金以及机械等工业部门中使用最广泛，也是最容易损伤的部件之一。旋转机械的工作状态与滚动轴承有密切关系，据统计，在使用滚动轴承的旋转机械设备中，约30％的机械故障是与轴承损伤有关联的。机械设备一旦发生意外故障，正常生产进程以及产品质量就会受影响并因此产生巨大的经济损失，严重者甚至危及人身安全，导致重大的灾难性事故。基于提高轴承可靠性和保证机械设备的安全运行，有必要采取一种检测方式检测轴承健康状态，识别是否发生故障，进而采取必要的措施，防止轴承损坏，确保机械设备安全运行。

对于诊断来说，良好的特征表达对模式识别的准确性起关键作用。目前大量的滚动轴承故障诊断技术都是靠人工提取特征，例如SIFH、SVM、LBP等等，需要花费大量时间集中在特征提取。此外不同的特征具有不同的表达意义，很难找到统一的、适用于不同模型的特征，这就导致了手工选取特征不仅费时，而且需要启发式专业知识。2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生Ruslan Salakhutdinov在美国《Science》杂志上发表了一篇文章提出了深度学习(Deep Learning)，主要观点包括：多隐藏层的神经网络类似于人的视觉系统，能够提取数据更抽象的特征表达，具有优异的特征学习能力，与传统方法相比，深度学习神经网络通过构建多层网络自动提取数据更深层的特征来表征数据，从而提升分类和预测的准确性。然而，目前的DBN模型大多数是以人工提取的特征作为输入，在此基础上提取更深层的特征进行故障分类，例如小波包能量特征，这依旧需要相当专业的知识，同时直接对原始信号进行深层特征提取的DBN诊断模型故障分类效果还有待提高。

有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种基于Nesterov动量法的自适应深度置信网络(Deep Belief Network)轴承故障诊断方法，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法，如图1所示，包括以下步骤：

步骤1：对滚动轴承不同健康状态的原始信号进行样本划分，生成训练样本；

步骤2：通过层叠RBM构建DBN模型，将训练样本输入DBN模型，结合批量随机梯度下降法和贪婪逐层无监督算法预训练DBN模型，针对目前DBN模型对原始信号的故障分类精度受限的问题，在DBN模型中加入Nesterov动量法和独立自适应学习率，加速训练速度，提高故障分类精度；

步骤3：在预训练好的模型顶层接入Softmax分类器，使用监督算法单独训练Softmax分类器，接着利用BP算法和共轭梯度法进行全局微调，获得模型最优参数；

步骤4：输入未知状态信号，形成测试样本集，将测试样本输入上述训练好的DBN模型判断滚动轴承的故障类型；