[发明专利]一种基于主成分分析和深度信念网络的轴承故障诊断方法

权利要求书

1.一种基于主成分分析和深度信念网络的轴承故障诊断方法，其特征在于，包括以下步骤：

1)在监测得到轴承振动信号后，使用主成分分析对原始振动信号数据进行降维处理；

2)对降维后的轴承振动信号数据进行[0,1]标准化，定义故障类型，然后将数据按比例划分为训练集和测试集；

3)初始化深度信念网络的相关参数；

4)使用训练集训练深度信念网络模型，然后使用测试集对深度信念网络模型进行参数优化，训练及调优过程中使用dropout来减少过拟合，最终建立轴承故障诊断的深度学习模型。

2.根据权利要求1所述的一种基于主成分分析和深度信念网络的轴承故障诊断方法，其特征在于，所述步骤1)具体包括：

1.1、给定轴承振动信号X∈R^N×M，计算所有样本的平均向量值A：

式中，x_i为矩阵X的第i列样本列向量；

1.2、计算协方差矩阵：

并计算P的特征值λ_i,i＝1,...,N和特征向量v_i,i＝1,...,N；

1.3、将特征值从大到小排列，即λ₁≥λ₂≥…≥λ_N，因此前r个主成分的累积贡献率α为：

1.4、如果α≥0.85，构造由对应特征向量v_i,i＝1,...,N组成的矩阵E∈R^N×r，即E＝(v₁,v₂,…,v_r)，进而通过矩阵E将原始数据映射为新的样本X′：

X′＝E^TX

3.根据权利要求1所述的一种基于主成分分析和深度信念网络的轴承故障诊断方法，其特征在于，所述步骤2)中训练集和测试集的比例为3:1。

4.根据权利要求1所述的一种基于主成分分析和深度信念网络的轴承故障诊断方法，其特征在于，所述步骤3)中DBM由多个RBM堆叠而成，其包含一个输入层、多个隐藏层和一个输出层，且参数初始化过程包括：

定义RBM的能量函数为：

其中，v_i和h_j分别是可见层和隐藏层的状态，对应偏置为a_i、b_j，对应节点数为n_v和n_h，θ＝{w_ij,a_i,b_j}是RBM的参数；

隐藏层和可见层的联合概率为：

其中Z(θ)是归一化因子，此外有

因为v,h∈{0,1}并且同层之间没有连接，所以神经元的激活函数为

RBM的训练目标是增加输入数据的概率分布P(v)，参数更新规律为

ΔW_ij＝η(<v_ih_j>_data-<v_ih_j>_recon)

Δa_i＝η(<v_i>_data-<v_i>_recon)

Δb_j＝η(<h_j>_data-<h_j>_recon)

其中η是学习率，<·>_data指的是数据的期望，<·>_recon是重构数据的期望，使用对比散度算法来计算联合概率分布P(v,h；θ)，取采样次数k＝1。