[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

说明书

本发明公开了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，包括：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，最终建立轴承故障诊断的深度学习模型。本发明着眼于轴承故障诊断问题，基于主成分分析和深度信念网络展开研究，为解决大数据时代的轴承故障诊断问题提供行之有效的工具和方法。

技术领域

本发明涉及一种基于主成分分析(Principal Component Analysis,PCA)和深度信念网络(Deep Belief Network,DBN)的轴承故障诊断方法，属于轴承故障诊断技术领域。

背景技术

轴承是广泛使用于工业机器中的机械部件，它的工作状态很大程度上影响着机器的性能和使用寿命。据统计，我国每年的机械故障中，轴承故障占很大比例。如果未能及时监测轴承的故障，可能会导致机器的损伤甚至是人员伤亡。在提高生产力的前提下，机器的故障会影响到整条生产线，给工厂带来巨大的经济损失。因此在实际生产应用中，监测轴承的工作状态并对其进行故障诊断具有十分重要的意义。

轴承运行过程中会产生相应的振动信号，通过监测振动信号可以判断轴承运行是否正常。充分运用监测数据，从振动信号中提取所需要的特征，特征提取的结果决定了对振动信号处理的结果，即决定了轴承故障诊断的正确率。及时并尽早地对轴承进行故障诊断，提前采取措施，可以有效地降低故障所带来的损失。监测、记录轴承故障过程中的数据，可以为事后分析故障原因提供有效数据，从而避免类似故障的发生。

随着工业智能化的不断加强，各个领域的设备运行变得越来越复杂，监测所得到的数据越来越大，维度也越来越高，给轴承运行状态的监测和故障诊断带来了巨大挑战。监测得到的轴承振动信号，具有复杂、非线性和非平稳性等特点。传统的轴承故障诊断技术需要工作人员拥有大量的信号处理知识和经验，对振动信号进行分析处理后再进行故障诊断。传统的故障诊断技术通常是浅层网络模型，当面对大量高维的轴承振动信号数据时，无法得出数据的深层特征，难以及时有效地进行轴承故障诊断，也给轴承故障诊断的识别正确率带来了极大的影响。

深度学习是一种根据数据学习特征的方法。深度学习方法可分为无监督学习和有监督学习。深度学习的强大非线性处理能力使得它在计算机视觉、语音识别、手写识别等领域内大放异彩。和浅层网络模型相比，深度学习可以根据轴承振动信号的内在特征，更容易地自动学习和识别出故障类型。然而国内深度学习理论在故障诊断领域的研究和应用还处于起步阶段，在处理大量高维的样本时，还需要大量的人工工作去处理振动信号，进行手动提取特征，增加了工作量和故障诊断复杂度。此外，神经元数量的增加也给深度学习模型的训练带来了一定的难度。

发明内容

发明目的：本发明着眼于轴承故障诊断问题，基于主成分分析和深度信念网络展开研究，为解决大数据时代的轴承故障诊断问题提供行之有效的工具和方法。

技术方案：为实现上述目的，本发明采用的技术方案为：

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，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。

进一步的，所述步骤1)具体包括：