[发明专利]一种基于随机共振与自动编码器的滚动轴承故障诊断方法

说明书

本发明公开了一种基于随机共振与自动编码器的滚动轴承故障诊断方法，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果。本发明利用遗传算法并行选择和优化随机共振系统的多个参数，自适应筛选出与输入信号最佳匹配的随机共振系统，克服了SR方法参数选择的不足。然后用堆叠自动编码器对预处理后的轴承进行信号分类，实现故障诊断，故障诊断正确率高达96%。

技术领域

本发明涉及机械设备故障诊断技术领域，具体说是一种基于随机共振与自动编码器的滚动轴承故障诊断方法。

背景技术

随着工业机械化的快速发展，机械设备的功率、效率也不断提高，设备工作状态也变得复杂多变，给故障诊断造成很多困难。滚动轴承因其在承载能力强、摩擦系数小等方面的优势被广泛应用于机械工业等领域，与此同时它也是旋转机械中最易损坏的部件之一。此外，轴承微弱故障信号特征不明显且易受噪声和人为干扰等因素影响，检测困难。若能尽早诊断出轴承故障并修复，能够有效降低安全隐患与经济损失。因此滚动轴承微弱特征提取一直是机械故障诊断领域的研究热点之一。

传统微弱信号检测方法大多通过抑制与消除噪声以提高信噪比，如经验模式分解、小波变换等。尽管上述方法在故障诊断中展现了良好的特性，但降低噪声的同时不可避免的削弱了特征信号，会对微弱故障的诊断效果造成影响。随机共振(StochasticResonance,SR)理论由意大利学者Benzi等提出，与传统方法相比SR能够将部分噪声信号的能量转移到微弱特征信号上，降低噪声的同时增强微弱信号特征，实现了强噪背景下的早期微弱信号检测。SR受到绝热近似理论影响，当驱动信号频率逐渐增大时，信号谱峰会远离噪声能量集中的低频区域，使得粒子在势阱间跃迁时缺乏噪声能量的支持，最终无法通过随机共振将噪声能量转移给信号。因此，SR理论通常只能检测频率较低的信号，严重影响SR方法在工业应用中的普及。近年部分学者对随机共振方法做了一些优化，这些方法只考虑到对单一参数进行优化，却忽略了参数间的交互作用，未能将随机共振方法对微弱信号提取的能力完全发挥。此外，对于随机共振提取的微弱故障信号，也缺少在实际工程诊断中验证。

发明内容

本发明的目的是针对上述现有技术中的不足，提供一种基于随机共振与自动编码器的滚动轴承故障诊断方法。

本发明的目的是通过以下技术方案实现的：

一种基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果，建立所述滚动轴承故障诊断模型具体包括以下步骤：

步骤1，分类采集已知故障的滚动轴承的工作运转时的轴承振动信号。

步骤2，建立随机共振系统，使用遗传算法对随机共振系统参数进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数，将最优参数代入随机共振系统实现滚动轴承故障信号的提取。

步骤3，建立SAE网络模型，根据实际数据大小确定SAE网络模型参数网络深度、各层神经元数量和学习率；再依据不同的任务需求设定合适的代价函数及其优化策略；然后，将提取的信号使用傅里叶变换转为频域信号，频域信号归一化后输入SAE网络中进行逐层训练，SAE网络训练结束后输出网络诊断结果。

步骤4，输入测试数据对网络诊断效果进行验证，根据输出结果判断正确率是否达到期望值，如果诊断正确率未达到期望值，则修改SAE网络模型参数重新进行SAE网络训练，直至输出结果的正确率达到期望值。

本发明进一步设计方案中，步骤1中采集了轴承振动信号后，采用变尺度方法对轴承振动信号进行预处理。

本发明进一步设计方案中，步骤2中使用遗传算法对随机共振系统参数进行寻优的具体步骤为：