[发明专利]基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法

说明书

技术领域

本发明属于旋转机械状态监测与寿命评估技术领域，涉及一种基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法。

背景技术

旋转机械是生产生活中的重要装备，其寿命与可靠性直接关系到生产系统运行性能及其可靠性。随着经济、社会和科学技术的发展，对旋转机械的寿命提出了越来越高的要求，而要进行旋转机械高可靠、长寿命研究，制定合理的旋转机械维护策略，减少因旋转机械维修而导致停产甚至生产事故的前提就是对旋转机械的寿命阶段进行准确评估和识别。

目前在旋转机械状态监测和寿命评估领域，国内外主要借鉴故障诊断的理论和技术，利用信号处理技术(如傅里叶变换、包络解调、阶次分析、小波变换和EMD分解等)提取特征，再输入到合适分类器进行识别。这种借鉴传统故障诊断进行寿命阶段评估方法在一定条件下可取得较好效果，但这种方法严重依赖人的信号处理与评估经验提取寿命特征，还需要应用机器学习模型才能进行寿命阶段识别与评估。

为了直接从原始信号中学习寿命特征进行寿命阶段识别，国内外相继提出了特征的自学习方法。如采用稀疏编码和稀疏自编码进行特征的自学习与识别，解决了特征自学习问题。但稀疏编码在样本不充足时学习效果欠佳，需要设计合适的分类器才能实现智能识别。稀疏自编码利用非监督方式学习复杂数据的内在特征并将其简明表达，降低了分类的复杂度，进行简单的分类即可实现智能识别。但稀疏自编码仅包括输入层、隐含层和输出层，属于浅层网络，学习能力有限，特别是在面对样本复杂度高的情况下，特征学习效果欠佳。所以，将稀疏自编码网络进行堆栈则可形成包含多层稀疏自编码的深度网络，使其具有更强大的表达能力，能获得输入的“层次型分组”或者“部分-整体分解”结构，从而学习得到更好地表示输入数据的特征。包含多层稀疏自编码的深度网络无分类功能，故在堆栈多层稀疏自编码后添加分类层，最终构建出集寿命特征自动提取与寿命阶段智能识别于一体的深度稀疏自编码学习网络。同时，旋转机械寿命阶段样本不容易获取，往往只能获得有限的样本，而对于有限的样本，深度稀疏自编码学习网络具有庞大的网络参数需要训练和学习，容易导致过拟合问题。因此，通过加噪扩展样本的方法来强化训练样本，样本量的扩展及其加噪样本融入训练过程来抑制网络过拟合问题，并提高网络的鲁棒性。最终，得到基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法，该方法能够根据寿命阶段样本数据的内部结构自适应地学习寿命特征并对寿命阶段的智能识别，同时能够抑制网络的过学习问题和提高网络的鲁棒性。

为达到上述目的，本发明提供如下技术方案：

一种基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法，该方法对训练样本进行加噪增强，并将多个稀疏自编码堆栈后添加分类层构建出集寿命特征自动提取与寿命阶段智能识别于一体的深度稀疏自编码学习网络。以未加噪样本未训练目标，通过多层稀疏自编码对加噪增强后的样本进行逐层无监督自适应学习和有监督微调，抑制深度网络过学习问题并提高网络的鲁棒性，实现旋转机械寿命特征自动提取与表达，最终在分类层完成旋转机械寿命阶段的智能识别。

进一步，该方法具体包括以下步骤：

S1：采集数据，样本加噪增强。采集数据，获得训练样本，设置加噪幅值系数k和加噪次数M对训练样本进行增强得到增强后的训练样本。计算训练样本进行预处理、计算频谱并对其归一化到[0,1]；

S2：设置网络结构参数，构建深度稀疏自编码学习网络。设置稀疏自编码的层数N、各层神经元个数、稀疏目标值、分类层神经元个数等构建出深度稀疏自编码学习网络；

S3：预训练。输入加噪样本增强后的训练样本，以未加噪样本未训练目标，应用逐层贪婪法逐层训练N个稀疏自编码，即将每个稀疏自编码的输出作为下一个稀疏自编码的输入，直到完成N个稀疏自编码的预训练；

S4：有监督微调。输入有标签训练样本对预训练得到的参数进行微调，完成深度稀疏自编码学习网络的训练；

S5：输出结果。输入测试样本，由完成训练后的学习网络对旋转机械寿命特征进行提取和表达，并输出寿命阶段识别结果，完成旋转机械寿命阶段识别。

进一步，所述步骤S1具体包括：

S11：设有原始样本为x(t),依次加入M次(M>0)高斯白噪声n_i(t)(i＝1～M),得到每次加噪后的样本：