[发明专利]一种基于振动信号的旋转机械故障直接智能诊断方法

说明书

本发明公开了一种基于振动信号的旋转机械故障直接智能诊断方法，包括如下步骤：第一步，通过重叠取样层对已收集的故障信号进行取样；第二步，通过卷积层对样本进行分段；第三步，通过训练数据来训练L3/2正则化后的稀疏滤波网络，并获得权值矩阵，通过权值矩阵及新的激活函数来提取数据段的故障特征；第四步，通过池化层对计算得到的分段的特征进行池化降维；第五步，池化后的特征对输出层即Softmax分类器进行训练，对提取的各个样本的特征进行分类；第六步，将故障信号输入训练好的网络进行诊断。本发明的基于振动信号的旋转机械故障直接智能诊断方法实现特征自动提取和对故障信号直接智能诊断，泛化能力更好，准确率和稳定性较高。

技术领域

本发明涉及旋转机械振动信号分析技术及机械故障诊断技术，尤其是一种直接用于旋转机械故障原始信号特征自动提取技术。

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，进行故障识别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，分离故障模式相近的机械振动信号就变得困难。因此，为了提高机械故障诊断的精度和效果，有必要探索新的更加有效、稳定的机械故障诊断方法。

随着人工神经网络研究的不断进步，神经网络不断显示出它在模式识别等领域的巨大潜力，并开始吸引越来越多学者的关注。它可以通过隐藏层自动地从信号中学习到高维特征，但是它往往仍需大量的有标签样本。作为一种在特征提取可省去添加标签步骤的方法，非监督特征学习在提取具有区分度的特征表示上取得很大成功，并应用在许多的图像识别、语音识别和人脸识别等任务中。然而许多当前的特征学习算法非常难以实现实用，因为它们需要各种参数的调节以及往往网络庞大，硬件要求很高。而且对于较大的网络往往需要微调，微调往往需要很大的时间和存储成本。为了直接使用原始数据，所以一般推荐直接使用原始时域信号进行故障诊断，但是时域信号普遍存在一个叫移变性的问题。它类似于对象识别中平移噪声，会使得时域信号的使用存在很大的问题。卷积神经网络(CNN)对于各种平移、拉伸噪声鲁棒性很好，而且对于减小网络规模有很大的帮助，但存在对于样本边缘数据利用不够的问题。Ngiam等提出了稀疏滤波，它只专注于优化学习特征的稀疏性而忽视学习数据的统计分布情况，在很多网络中它表现很好且只有一个超参数即输出特征维数，因此稀疏滤波很容易调节。稀疏滤波网络尺寸也较小，通过几行MATLAB代码就可以实现，但是存在泛化能力不足的问题。

发明内容

发明目的：针对上述技术中的不足，本发明提供一种基于改进稀疏滤波网络和改进CNN的智能故障诊断方法，叫混合重叠卷积神经网络。以解决原始振动信号在使用中存在的移变性问题；原始CNN网络中存在的边缘问题等。

技术方案：

一种基于振动信号的旋转机械故障直接智能诊断方法，包括如下八个步骤：

步骤一，获得原始时域振动信号，原始时域振动信号作为输入，其中是一类故障在一种故障下的信号，N为每个信号中数据点个数；M为不同故障总类别数；i为表示第i个故障类型，lⁱ为每个类别故障的故障类型标签；

步骤二，重叠采样，在重叠取样层对原始信号进行取样，采样卷积步长为n-N_in，其中N_in为分段的长度，n为样本的长度，采样得到每个训练样本其中表示第i个类别的第j个样本，R^n×1表示一个n维的向量；

步骤三，卷积分段，在卷积层对样本进行重叠分段，使用两种卷积步长来得到稀疏滤波网络训练的分段数据集1即和计算局部特征的分段数据集2即s^k，x^k为分段，长度为N_in；N₁,N₂分别为分段数据集1和分段数据集2中分段的数目；