[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

说明书

本发明公开了结合压缩数据采集和深度学习的智能转轴故障诊断方法。涉及旋转机械系统、深度学习等领域，该方法是一种新型的旋转机械故障识别智能诊断方法，采用了非线性投影实现压缩采集，不仅减少了包含所有故障信息的测量数据量，而且实现了变换域的自动特征提取。为了探索隐藏在采集数据中的区分，建立了基于堆叠稀疏自动编码器的深度神经网络，使用无监督学习过程，再进行监督微调过程。因为压缩采集的重要性，提供了关键因素的影响并与传统方法进行了比较。利用滚动轴承的数据集验证了该方法的有效性，分析表明，该方法能够获得较高的诊断精度，优于现有方法。该方法减少了对人工和专业知识的需求，并提供更容易处理海量数据的新策略。

技术领域

本发明涉及深度学习和工业控制领域，尤其涉及结合压缩数据采集和深度学习的智能转轴故障诊断方法。

背景技术

现代工业的发展促进了机械设备的自动化，精确性和效率的提高，使得难以监控这些设备的健康状况。旋转部件是机器的重要部件，广泛用于设备传动系统，它们的故障可能导致相当大的损失和灾难性的后果。作为基于状态的维护的有效组件，近年来对基于振动的故障诊断系统进行了深入研究。

在世界逐步走向工业4.0的时代，由于我国工业自动化起步和发展比较晚，一些传统工业的安全生产基础设施还比较薄弱，所以工业设备的故障检测尤其是一些转轴设备对于提高设备的可靠性具有重要的意义，在实际的工业应用场景中，我们会面临这样一个问题，设备之间的关系复杂多变，很难使用一个统一的模型来表示设备的状态。有效的智能故障诊断一直是旋转机械系统状态监测的研究热点。传统的基于时域振动的故障诊断方法存在着特征向量计算复杂、对先验知识和诊断知识依赖度过高、故障信号复杂关系学习能力有限等缺陷。

所以在设备故障诊断方法上面需要具有越来越智能化、数字化、集成化等特点。随着人工智能技术的迅速发展，各行各业都已经得到了落地的应用，结合压缩数据采集和深度学习的智能转轴故障诊断方法已经成功运用到监视、控制和故障诊断等领域，实现了变换域的自动特征提取，也极大地提高离检测的准确率，获得较好的检测效果。

发明内容

本发明目的在于针对工业控制领域当中旋转机械故障检测中存在的一系列问题，提出一种结合压缩数据采集和深度学习的智能检测方法。

为了实现上述发明目的，本发明采用结合压缩数据采集和深度学习的智能转轴故障诊断方法，可选地，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；