[发明专利]一种基于深度神经网络的机械故障快速诊断方法

说明书

技术领域

本发明属于机械设备振动信号的故障诊断技术领域，涉及一种基于深度神经网络的机械故障快速诊断方法。

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。同时，随着大数据时代的到来，传动的故障诊断方法已无法快速准确地应对日益增加的机械大数据。

作为机器学习的一个分支，深度学习可以通过隐藏层自动地从信号中学习到有用特征，这些算法包括玻尔兹曼机、自动编码器、卷积神经网络、循环神经网络等等。自动编码器作为最常使用的深度学习算法，在机械故障诊断领域取得了长足发展。虽然基于叠加自动编码器的机械故障诊断方法可以取得很高的分类准确率，但是仍然存在两个弊端：(1)为提取更有区分度的特征，在每层的训练过程中需要较多的迭代次数，因此在训练过程中会消耗大量时间。(2)每一层的数据分布都会随着前一层参数的改变而改变，这就需要所有层不断的去适应新的数据分布。因此这需要一个更低的学习率和很谨慎的参数初始化，这也使得为得到饱和的非线性训练变得异常困难。这种现象也叫做内部协变量转变。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于深度神经网络的机械故障快速诊断方法，能够大大缩短故障诊断时间，并解决内部协变量转变问题。

为解决上述技术问题，本发明采用以下技术方案。

本发明的一种基于深度神经网络的机械故障快速诊断方法，其特征在于，包括以下步骤：

(1)收集训练样本和测试样本：采用凯斯西储大学的轴承振动信号的频谱作为总样本，其中25％训练样本，75％测试样本；其数据采样频率48k，包含10种故障类型、3种载荷；每种故障类型包含200个总样本，每个样本包含2400个数据点；经过傅里叶变换后得到1200个傅里叶系数；

(2)建立深度神经网络：将批标准化算法整合到叠加自动编码算法中，建立一个多层深度神经网络模型；

(3)深度神经网络模型的预训练：采用无标签的训练样本集对建立的深度神经网络模型进行逐层预训练；

(4)深度神经网络模型的微调：采用有标签的训练样本集，通过BP反向传播算法对深度神经网络进行微调；

(5)采用测试样本进行验证所建立的深度神经网络模型的有效性。

优选地，在步骤(2)中，将批标准化算法整合到叠加自动编码算法中，建立一个五层深度神经网络模型。其每层的神经元个数分别为：1200、600、200、100、10。

进一步的，将批标准化算法嵌入到叠加的自动编码器的每一层中，组成批标准化的叠加自动编码器。

进一步的，所述的深度神经网络模型的编码和解码函数为sigmoid函数。

进一步的，所述的深度神经网络模型每层的训练迭代次数为20，批尺寸为50，学习率为1E-4。

在上述步骤(2)将批标准化算法整合到叠加自动编码算法中，建立一个多层深度神经网络模型，是指：用批标准化的方式来重参数化所有的深度神经网络。其过程可以应用于每一个激活层而不需要参数调节，即通过一个独立的方式来标准化矩阵的每一行使其有零均值和单位方差：

上式中，x_i,j,n表示位于(i,j)的值,n表示特征映射矩阵的行数，μ是每一个单元的均值，σ表示标准差；其中在训练过程中：

其中ε＝10^-8，以强制避免遇到的梯度在s＝0处未定义的问题；

相应地，标准化的值经历移位和缩放：

其中γ_n和β_n表示用于网络训练的新的移位和缩放参数。

本发明的有益效果和优点：

本发明通过批标准化的叠加自动编码器实现故障特征的自动提取，大大缩短训练时间，解决了现有技术的内部协变量转变问题。本发明通过这种深度学习方法对机械故障信号进行智能诊断，可快速准确地分析引起机械故障的类型。

附图说明

图1是本发明的基于深度神经网络的机械故障快速诊断方法的一种实施例的方法流程图。

图2是本发明的一种实施例方法的自动编码模型图。