[发明专利]一种旋转机械故障特征自动提取方法

说明书

技术领域

本发明涉及旋转机械振动信号的故障振动技术，尤其是一种旋转机械故障特征自动提取技术。

背景技术

振动信号是机械故障特征的载体，对机械设备的振动信号进行分析，提取故障特征，然后根据故障特征判断机械设备的故障是机械故障诊断的常用方法。机械设备通常工作在多振源的工作环境中，背景噪声强烈，所以现场测得的机械振动信号通常是强背景噪声下的多分量非平稳信号，在这种情况下，从复杂的机械振动信号中提取故障特征，从而分离故障模式相近的机械振动信号就变得非常困难。因此，为了提高机械故障诊断的精度和效果，有必要探索新的信号处理方法在机械故障诊断中的应用。

随着机器学习的研究，神经网络开始吸引越来越多学者的关注。它可以通过隐藏层自动的从信号中学习到高维特征，但是它仍然需要大量的标签数据。作为一种可以替代手动设计特征表示的选择，非监督特征学习在提取好的特征表示上已经成功的应用在许多的图像、录音和音频等工作中。然而许多当前的非监督特征学习算法非常难以实现，因为它们需要各种参数的调节。一旦这些参数没有设置好则学习到的特征很有可能导致一个很差的诊断准确率。这些算法包括稀疏玻尔兹曼机、稀疏自动编码器、稀疏编码、独立成分分析等等。这些算法的可调参数例如稀疏玻尔兹曼机就有多达六种参数需要调节，独立成分分析只需要调节一个参数，但是它对于大的输入或者特征设置上尺度表现很差。Ngiam等提出了一种非监督特征学习框架称作稀疏滤波，它只专注于优化学习特征的稀疏性而忽视学习数据的分布情况，同时它对输入维数的尺度表现很完美且只有一个特征参数需要调节，因此稀疏滤波很容易调节又很容易实现通过几行MATLAB代码。同时作者采用稀疏滤波进行了图像识别和语音分类，都产生了非常完美的效果。

由于稀疏滤波的简便性及其完美性能，科研人员提出稀疏滤波来解决旋转机械的故障诊断问题。然而由于稀疏滤波学习到的特征是高维特征做不到可视化表达，因此很有必要选择一种合适的降维工具来将高维特征映射成低维表示。

发明内容

针对上述技术中的不足，本发明的目的在于提供一种基于智能故障诊断来自动提取振动信号故障特征的方法，通过稀疏滤波的非监督学习方式实现故障特征的自动提取，并通过t-SNE算法实现高维特征的可视化。

本发明提出的一种旋转机械故障特征自动提取方法包括以下步骤：

(1)收集样本：采用原始振动信号作为训练样本，采用重叠取样法从训练样本中采集Z段信号，这些分段组成训练集其中是第j个分段包含N_in个数据点，N_in用于表示稀疏滤波的输入维数，N_out表示输出维数。

(2)白化：数据集写作矩阵形式然后进行白化预处理。白化的目的是使分段直接减少相关性同时加速训练收敛速度。白化使用协方差矩阵的特征值分解：

cov(ST)＝EUET(1)

式中cov(S^T)是协方差矩阵，E是特征向量的正交矩阵，U是特征值的对角矩阵。

然后白化训练集S_w可以计算如下：

S_w＝EU^-1/2E^TS(2)

(3)训练稀疏滤波：稀疏滤波模型通过被S_w训练，之后获得的权值矩阵W用于计算训练样本的局部特征。

(4)计算局部特征：训练样本xⁱ被依次划分成K个分段，其中K是整数且等于N/N_in。K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征

(5)获得学习特征：学习特征fⁱ通过使用平均法来组合局部特征获得：

(6)降低学习特征的维数：由于获得的特征fⁱ仍然是高维数据，采用t-SNE算法来降低它的维数，然后映射的特征可以在散点图上表示出来。

本发明的有益效果是，通过稀疏滤波的非监督学习方式实现故障特征的自动提取，并通过t-SNE算法实现高维特征的可视化。

与以往的方法相比，本发明提出了基于稀疏滤波和t-SNE算法相结合的方法能够有效的提取故障特征并实现可视化操作。所以，该方法可以应用到旋转机械振动系统故障诊断中，用以分析引起机械故障的类型，进行系统的状态检测和故障诊断等。

附图说明

图1是本发明一种旋转机械故障特征自动提取的流程图；

图2是稀疏滤波系统模型图。

具体实施方式