[发明专利]改进深度稀疏自编码器网络旋转机械复合故障的诊断方法有效
申请号: | 201911015043.6 | 申请日: | 2019-10-24 |
公开(公告)号: | CN110779746B | 公开(公告)日: | 2021-08-10 |
发明(设计)人: | 杨延西;杨静;田瑞明;谢国 | 申请(专利权)人: | 西安理工大学 |
主分类号: | G01M99/00 | 分类号: | G01M99/00;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 北京国昊天诚知识产权代理有限公司 11315 | 代理人: | 杨洲 |
地址: | 710048*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 改进 深度 稀疏 编码器 网络 旋转 机械 复合 故障 诊断 方法 | ||
1.改进深度稀疏自编码器网络旋转机械复合故障的诊断方法,其特征在于,包括以下步骤:
步骤1,利用加速度传感器分别获取旋转机械正常状态和不同故障状态的c种工况的振动信号,每种工况的振动信号采集d组,其中d≥100,c种信号分别得到d组时域振动信号样本,分别记为xcd;
步骤2,分别对每个样本xcd进行快速傅里叶变换,得到预处理后的信号样本
步骤3,选取每个信号样本的前一半数据构造诊断样本集,并为诊断样本集中的每个样本添加标签,将添加标签之后的c种工况下的所有振动加速度信号数据组成的诊断样本集作为训练样本集;
步骤4,建立基于关系约束项和改进的深度稀疏自编码器网络的旋转机械复合故障诊断模型,采用步骤3的训练样本集对改进的深度稀疏自编码器网络进行训练,将训练样本集中带标签的样本依次输入深度稀疏自编码器网络中,最小化由均方误差损失函数和改进项构成的改进的深度稀疏自编码器网络的损失函数,采用有监督逐层训练方法进行逐层训练和调优,得到深度稀疏自编码器网络的连接权重和偏置参数;
步骤5,采用确定连接权重和偏置参数的深度稀疏自编码器网络模型对训练样本集中的每个样本进行自动特征提取,并用所提取的训练样本特征训练softmax分类器,得到softmax分类器模型;
步骤6,利用加速度传感器采集待测旋转机械运行时的c种工况的振动加速度信号数据,并进行快速傅里叶变换,选取变换后前一半的数据作为测试样本;
步骤7,将测试样本作为训练好的改进的深度稀疏自编码器网络的输入,对测试样本进行深度学习,采用确定了连接权重和偏置参数的改进的深度稀疏自编码器网络模型对测试样本进行特征提取,得到测试样本特征;
步骤8,将测试样本特征作为测试样本的匹配特征,将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准,采用训练好的softmax分类器对测试样本与训练样本进行分类匹配,将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别,得到待测旋转机械的复合故障诊断结果。
2.根据权利要求1所述的改进深度稀疏自编码器网络旋转机械复合故障的诊断方法,其特征在于,所述的步骤4中建立的深度稀疏自编码器网络的均方误差损失函数为:
其中,Ec表示均方误差损失函数,d是在c种工况下每种工况采集的振动信号组数,是稀疏自编码器网络的输入样本的重构样本,步骤4中的改进项的建立又包括以下步骤:
步骤:4.1:建立关系约束项Y1:
其中,
其中,Y1表示关系约束项,d是在c种工况下每种工况采集的振动信号组数,是稀疏自编码器网络的输入样本的重构样本,μ表示函数的自变量,ε是用于过滤数据之间次要关系的阈值;
步骤4.2:建立稀疏约束项Y2:
其中,Y2表示稀疏约束项,d是在c种工况下每种工况采集的振动信号组数,hci是稀疏自编码器网络的隐藏层特征;
步骤4.3:建立损失函数E,求解E的参数来建立改进的稀疏自编码器网络:
其中,E表示改进的稀疏自编码器网络的损失函数,d是在c种工况下每种工况采集的振动信号组数,是稀疏自编码器网络的输入样本的重构样本,μ表示函数的自变量,ε是用于过滤数据之间次要关系的阈值,hci是稀疏自编码器网络的隐藏层特征,Wl是稀疏自编码器网络的连接权重,k是稀疏自编码器网络的隐藏层数量,b是稀疏自编码器网络的偏置,α、β和λ是对应项在损失函数中所占权重的调节系数;
步骤4.4:改进的深度稀疏自编码器网络通过两步来求解公式(7),
第一步,将要训练的数据输入网络的输入层,进行特征提取,每一隐藏层的输入是上一层的输出,计算公式如下:
sci=f(yci)=f(Wciyci-1+bci) (8)
其中,sci是输入的训练数据,Wci是改进的深度稀疏自编码器网络相邻两层之间的连接权重,bci是改进的深度稀疏自编码器网络相邻两层之间的偏置参数,yci是网络当前层的输入数据,yci-1是相对于当前层的前一层的输入数据,f是激活函数;
第二步,对第一步所得深度稀疏自编码器网络的最后一层输出,采用有监督逐层训练方法进行逐层训练和调优,具体方式为:
使用前向传播计算权重和偏置:将第一步所得的深度稀疏自编码器网络模型最后一层隐藏层的输出作为输入被逐层传播到输出层,得到预测的分类类别用链式求导法则计算损失函数对每个权重的梯度,梯度计算公式为:
其中,E表示改进的稀疏自编码器网络的损失函数,W是稀疏自编码器网络的权重,y是中间变量,δ是损失函数E对权重W的偏导数,
在深度稀疏自编码器网络中,第l层的梯度由如下公式计算:
其中,运算符代表每个元素相乘,δl是损失函数E对第l层权重的偏导数,Wl+1是稀疏自编码器网络的第l+1层的权重,yl是第l层的中间变量,δl+1是损失函数E对第l+1层权重的偏导数,f′(yl)是激活函数的导数,
训练样本的工况标签对应训练样本的实际分类结果,首先,将训练获得的样本的预测输出的分类结果与实际分类结果进行比较得到分类误差;然后,将分类误差逐层反向传播,从而实现对深度稀疏自编码器网络各层的连接权重参数的调优,连接权重更新的实现公式如下:
其中,Wl+1是稀疏自编码器网络的第l+1层的权重,Wl是稀疏自编码器网络的第l层的权重,η为学习率,E表示改进的稀疏自编码器网络的损失函数,δl是损失函数E对第l层权重的偏导数,sl-1是第l-1层的输出,
逐层训练,直至得到稀疏自编码器网络最后一层隐藏层的输出对网络各层的连接权重进行调优后,最终确定整个网络的连接权重和偏置参数。
3.根据权利1要求所述的改进深度稀疏自编码器网络旋转机械复合故障的诊断方法,其特征在于,所述的步骤8采用softmax分类器对测试样本与训练样本进行匹配,其具体方式为:
步骤8.1:训练数据集定义为其中ti是训练样本对应的标签,假定训练数据集包含c类样本,则ti∈{1,2,…,c};
步骤8.2:softmax分类器通过估计概率的值,得到训练样本的预测分类结果,其中m=1,2,…,c,这一过程通过最小化softmax分类器的损失函数来实现,
其中,n是构成样本的数据点数,c是样本的种类数,ti是训练样本对应的标签,1{·}为示性函数,其值规则为:1{真值表达式}=1,1{假值表达式}=0,θ表示由权重向量W和偏置向量b组成的模型的所有参数向量,θm表示θ的第m列向量;
步骤8.3:将改进的深度稀疏自编码器网络提取的测试样本特征作为不同工况对应的分类决策函数的输入,计算出测试样本特征作为输入量的softmax分类器决策函数的决策值,即其所对应的工况类别判定为测试样本的工况类别,得到待测旋转机械的复合故障诊断结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911015043.6/1.html,转载请声明来源钻瓜专利网。