[发明专利]一种基于自动编码器的轴系转速大波动的故障诊断方法

说明书

本发明公开了一种基于自动编码器的轴系转速大波动的故障诊断方法，包括以下步骤：步骤一、将分别属于源域和目标域中的转速1与转速2的样本做快速傅里叶变换并幅值归一化；步骤二、用转速1信号预训练自动编码器；步骤三、在自动编码算法中加入MMD惩罚项自动编码迁移学习算法，并用两种转速的训练样本进行训练；步骤四、训练加入MMD惩罚项的Softmax特征分类器对提取的特征进行分类，由此可对转速2未知的故障信号实现故障诊断。本发明通过迁移学习算法对转速大波动状态下的故障信号进行智能诊断，通过引入MMD惩罚项提高源域样本训练之后的模型对于目标域样本诊断的准确率，从而实现转速大波动情况下的智能故障诊断。

技术领域

本发明属于振动信号智能故障诊断技术领域，涉及一种基于自动编码器的轴系转速大波动的故障诊断方法。

背景技术

随着大数据时代的到来，基于设备振动信号的故障诊断方法，已经由传统的信号处理方法转变为深度学习方法。应用深度学习进行智能故障诊断的步骤一般是通过非监督学习算法训练出能够提取样本特征的权值矩阵，然后通过监督学习算法进行对权值矩阵提取的样本特征进行分类。目前普遍采用的无监督学习算法主要有稀疏玻尔兹曼机、自动编码器、稀疏自动编码器、稀疏编码、独立成分分析等等，均是通过对大量的样本进行训练来提高对未知故障诊断的准确率。

中国发明专利申请“CN201510169697：一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法”，即是采用自动编码器进行故障诊断。但是，由于机械设备运行时会受载荷等因素的影响，其转速波动多变而不是单一的。而采用自动编码器故障诊断方法在模型训练时的样本往往是一种转速或者几种转速的数据，而对于其他转速的故障样本则需要从新训练整个模型才能进行诊断。这会导致模型的重复训练，从而在实际应用中影响最终故障诊断的效果和准确率。

发明内容

本发明目的是针对现有技术存在的缺陷提供一种基于自动编码器的轴系转速大波动的故障诊断方法，利用迁移学习将已经训练好的模型通过简单的微调迁移到实际应用的环境中，提高模型训练效率，并将迁移学习理念与现有的自动编码器技术相结合，实现转速大波动下的故障诊断和提升故障诊断准确率。

为解决上述技术问题，本发明采用以下技术方案。

本发明的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征是，包括以下步骤：

步骤1.样本数据预处理：转速1和转速2的样本分别属于源域和目标域；转速1的源域有M个带有标签的训练样本其中表示第i个源域样本N_n表示样本长度即样本维数，yⁱ表示的标签；转速2的目标域中有N个无标签的训练样本其中表示第i个目标域样本首先将所有样本进行傅里叶变换，然后对幅值进行归一化组成新的训练样本和其中，和分别表示原样本和的频谱；此时样本长度变为原样本的一半，用N_in表示，即N_in＝N_n/2；将所有样本表示成矩阵形式，即源域样本为X_s，目标域样本为X_t；其中，X_s和X_t分别表示由M个样本和N个样本组成的矩阵；