[发明专利]结合压缩数据采集和深度学习的智能转轴故障诊断方法

权利要求书

1.结合压缩数据采集和深度学习的智能转轴故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤一：特征提取和选择：其目的在从原始信号中提取代表性特征，首先从测量的时域信号中提取有效特征，并且，在选择敏感特征时，采用了一些降维策略，既影响了诊断结果，又影响了计算效率。通过主成分分析、距离评价技术、特征判别分析等降维策略，将特征选择应用于敏感特征的选择，利用变换域投影实现压缩传感(CS)域数据采集，实现故障信号采集；

步骤二：所述步骤一中得到的特征，建立了一种基于堆叠稀疏自编码器(SSAES)的DNN算法，用于挖掘测量数据中隐藏的连接，建立采样信号与轴承故障条件之间的复杂映射。研究了DNN的构造和参数的影响，特别是一些关键参数对识别精度和时间的影响，有助于实现DNN的压缩采集和设计；

步骤三：智能诊断：因为轴承振动信号是稀疏和可压缩的，根据CS理论，随机高斯矩阵用于实现变换域投影，故障信号以适当的压缩率映射到低维空间，便于对包含重要故障信息的收集数据进行显着压缩。这些少量的“原始数据”包含大部分有用信息，可以将其视为特征表示。通过将压缩数据输入到堆叠有多个SAE的DNN中并使用强大的特征学习能力，可以实现故障特征的自动提取和健康状况的智能诊断；

步骤四：经过步骤三的处理不能够达到很好的检测性能，通过深度学习压缩样本来初始化DNN的所有隐藏层，并且通过预训练获取数据中包含的一些先验信息。在使用BP算法进行微调并区分输入后，神经网络可以收敛到更好的局部极值。因此，在机械健康状况和压缩采样数据之间建立复杂的非线性映射；

步骤五：完成高精度的自动特征提取和健康状况的智能诊断。对现有的故障诊断方法，如支持向量机(SVM)和反向传播神经网络(BPNN)进行了比较，采用旋转机械数据集验证了该方法的有效性。

2.根据权利要求1所述的结合压缩数据采集和深度学习的智能转轴故障诊断方法，其特征在于，步骤三中所述实现自动特征提取和高精度诊断包括以下步骤：

步骤一：根据振动信号的CR和长度构造随机高斯矩阵，实现不同类型故障的压缩数据采集，获取的数据包括数据集其中xⁱ是第i个压缩样本，dⁱ是对应于xⁱ的标签，M是样本总数。通过从数据集中随机选择生成训练集余数用作测试集

步骤二：通过堆叠SAE来构建DNN。它包含多个隐藏层，每个隐藏层都可以计算前一层的非线性变换。这里使用一种高效的逐层贪婪训练方法，可以用来训练DNN，它包括两个主要过程：

(1)逐个预训练SAEs以初始化DNN的权重

(2)使用反向传播(BP)算法进一步优化DNN，以提高DNN的性能

DNN只是用于无监督初始化而不是传统随机初始化的多层网络的BP学习。输入神经元的数量是压缩样本的维数，未标记的训练集x_train用于DNN的无监督逐层训练，最初，DNN的第一个隐藏层被认为是SAE1的隐藏层。此外，未标记的训练集被视为训练SAE1的SAE的输入和输出，使用训练的参数初始化DNN的第一个隐藏层参数，其中a₁是由SAE1为训练集计算的编码矢量。然后，训练SAE2并通过将DNN的第二隐藏层视为SAE2的隐藏层并且a₁作为输入和输出来获得编码矢量a₂。DNN的第二隐藏层的参数需要由训练的参数初始化。最后，训练n-SAE并根据前面的步骤初始化DNN，直到第N个隐藏层

步骤三：通过机械健康状况的数量确定输出层中的神经元数量，并使用BP算法最小化输出和标签之间的DNN误差，最后，对整个网络进行微调

步骤四：实施测试集以验证经过培训的DNN的诊断准确性。