[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

说明书

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，1)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，分别得到d组时域振动信号样本；2)对每个样本进行傅里叶变换，得到预处理后的信号样本；3)构造诊断样本集，将其作为训练样本集；4)建立旋转机械复合故障诊断模型，获得深度稀疏自编码器网络的连接权重和偏置参数；5)获得softmax分类器模型；6)进行快速傅里叶变换，选取测试样本；7)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，对测试样本深度学习，进行特征提取，得到测试样本特征信号；8)将测试特征信息作为测试样本的匹配特征，得到待测旋转机械的复合故障诊断结果；提高了诊断准确度和效率。

技术领域

本发明属于机械故障诊断和计算机人工智能技术领域，具体涉及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。

背景技术

近年来，工业系统中的设备日趋大型化、连续化、复杂化、高速化和自动化，这也成为现代大型企业生产的主要特征。当今时代，工业技术发展的同时也对工业生产过程的安全性和可靠性提出更高的要求，特别是在国民经济支柱产业中更是如此。如果不能及时预防生产设备的故障，那么一旦发生生产事故，将会造成极大的经济损失，甚至会导致人员伤亡和环境污染。

这些工业过程的共同特点包括以下两个方面。一是传统方法无法建立精确的物理模型实现监控；二是不断生成反映运行机理和运行状态的海量数据。因此，如何利用这些海量数据来满足系统日益增长的可靠性需求已成为当务之急。随着监测技术和深度学习等分析方法的不断发展，基于数据的故障诊断技术得到了广泛的关注。

现代工业系统中，设备各组件之间相互联系且相互影响，使得整个系统产生的数据是相互关联的。因此，这些数据之间必然存在相关性，增加了对系统监控的难度。例如，机械系统中轴承的内圈、外圈和滚动体的不均匀磨损和断裂，齿轮箱中不同齿轮的点蚀、磨损和断齿等。现代工业系统中旋转机械的复合故障非常普遍，对设备的性能和安全构成了极大的威胁。

在旋转机械复合故障诊断领域，研究者们提出了多种解决途径。2015年李瑞彤等人曾在文章“基于约束独立成分分析的轴承复合故障特征提取方法”(《噪声与振动控制》2015年6月第35卷第3期173-176)中提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。将DWT分解和重构后信号的包络信号作为CICA算法的输入矩阵，然后基于滚动轴承先验知识提取故障特征。但该方法需要预先已知故障特征频率，并且需要基于人为经验来确定小波基函数和小波分解层数。2017年王志坚等人曾在文章“基于最大相关峭度反褶积的齿轮箱复合故障特征提取”(《噪声与振动控制》2017年6月第37卷第3期173-176)中提出一种基于最大相关峭度反褶积(Maximum correlatedkurtosis deconvolution，MCKD)的复合故障特征提取方法，通过MCKD对原信号降噪，提取感兴趣的周期成分，实现各个故障特征的提取。但该方法需要根据先验数据确定故障周期，并且滤波器长度和位移数的选择是基于人为经验的。2017年王志坚等人曾在文章“基于MKurt-MOMEDA的齿轮箱复合故障特征提取”(《振动、测试与诊断》2017年8月第37卷第4期830-834)中提出一种一种基于多点峭度(multipoint kurtosis，简称MKurt)和多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted，简称MOMEDA)的齿轮箱复合故障特征提取方法，利用MKurt提取齿轮箱中的冲击性振动信号的周期，然后根据故障周期设置合理的周期区间，通过MOMEDA进一步提取原信号的周期性冲击故障特征。但该方法需要人为设置故障周期区间。2018年马本栋等人曾在文章“基于多小波包-能量算子解调的滚动轴承复合故障诊断”(《噪声与振动控制》2018年8月第38卷第4期154-158)中提出一种多小波包与能量算子解调相结合的方法，利用多小波包变换分解重构符合排列熵标准的单支信号，实现信号的降噪及复合故障分离，然后采用能量算子解调方法解决信号的调制问题，完成故障信息的识别。但该方法需要预先已知故障特征频率，并且小波包分解层数的确定和单支信号的选择具有经验性。2019年齐咏生等人曾在文章“基于MCKD和teager能量算子的滚动轴承复合故障诊断”(《大连理工大学学报》2019年1月第59卷第1期35-44)中提出一种基于改进最大相关峭度解卷积(MCKD)和teager能量算子混合的滚动轴承复合故障诊断方法，通过粒子群优化算法(PSO)改进MCKD算法，然后利用teager能量算子对信号的teager能量进行频谱分析，实现复合故障诊断。但该方法需要人为选择PSO的适应度函数，而且解卷积周期的计算需要已知故障特征频率，通过将两类故障特征频率与实际故障特征频率比较来实现故障诊断。