[发明专利]一种自适应稀疏压缩自编码的滚动轴承故障诊断系统

权利要求书

1.一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于，包括以下步骤：

步骤1：首先,对滚动轴承多处进行振动信号的采集与信号处理，并将所采集的振动信号转化为频域信号；

步骤2：将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；

所述步骤2中将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习的过程如下：

自适应稀疏压缩自编码模型的构建包含无监督的逐层预训练阶段和有监督的全局微调阶段；对于自适应稀疏压缩自编码采用逐层贪婪训练法对其进行特征学习，基本步骤可总结如下：

步骤2.1：通过逐层贪婪的训练方式以优化第一层的自适应稀疏压缩自编码的目标函数，自适应稀疏压缩自编码模型的目标函数如下所示：

其中λ为权衡损失函数和约束项之间的比例系数，λ的取值会在实验中确定；

而表示的是雅克比矩阵的F范数的平方，即雅克比矩阵中每个元素求平方再求和，具体公式如下所示：

雅克比矩阵的F范数的平方求和可以写成更加具体的数学表达式：

式中，h_i为隐藏层的输出，W_ij为输入层与隐藏层的连接权重；

步骤2.2：前一层自适应稀疏压缩自编码的隐藏层作为后一层自适应稀疏压缩自编码的输入层：

将训练好的第一层自适应稀疏压缩自编码的隐藏层作为第二层自适应稀疏压缩自编码的输入层继续训练，训练停止后将得到第二层的权重矩阵和偏置向量；以此类推可以得到堆栈的自适应稀疏压缩自编码的全部参数；

步骤2.3：重复步骤2.2，完成所有层的自适应稀疏压缩自编码的训练；

步骤2.4：训练阶段将堆栈的自适应稀疏压缩自编码看成一个整体通过反向传播开始微调；

步骤2.5：将最后一层隐藏层的输出作为分类层的输入，分类层神经元个数为健康状况类别数，为下一步有监督微调做准备；

步骤3：将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；

步骤3将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练，布谷鸟搜索算法优化的无监督极限学习机训练过程所示：

(1)设置无监督极限学习机的近邻参数NN和惩罚系数Lamada的范围；

(2)设置布谷鸟搜索算法的迭代次数time、巢穴数量n、被发现概率pa、需要寻优参数个数dim；

(3)对于每个巢穴，随机初始化近邻参数NN和惩罚系数Lamada的值，作为USELM的参数，求得准确率，并且以预测错误率作为适应度值fitness，找到最优的巢穴；即当前最优NN和Lamada的值:

式中:fitness—通过近邻参数NN和惩罚系数Lamada为参数的USELM分类的准确率；fnew—此时的适应度；目的是求最小fnew下应的近邻参数NN和惩罚系数Lamada；

(4)使用Levy飞行更新巢穴，将更新后的近邻参数NN和惩罚系数Lamada的值作为无监督极限学习机的参数，重复步骤(3)得到一组新的巢穴；

(5)以pa为概率随机淘汰掉一部分巢穴，将新的适应度值与步骤(4)得到的适应度值进行比较，得到最优的巢穴；

(6)从步骤(5)中找到最佳巢穴，如果优化目标函数值满足结束条件，则输出全局最好的巢穴和最好的适应度值，否则返回步骤(4)继续优化；

步骤4：再将待测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断；

其中无监督极限学习机的主要训练步骤如下所示：

首先，初始化无监督极限学习机的网络参数，训练数据X＝{x_i}^N，i＝1是未标记的；N是训练模式的数量；优化无监督极限学习机的误差函数中加入流型正则化项，无监督的极限学习机的公式如下：

s.t(Hβ)^THβ＝I_n0

学习目标是找到原始数据的基础结构；当没有数据标签结构时，其目标函数为：

这里的λ是惩罚项的调节参数，β是隐藏层与输出层连接的输出权重，H＝[η(x₁)^T,η(x₂)^T,···,η(x_N)^T]∈R^N×nh,η(x_N)，η(x_N)表示隐藏层相对于x的输出向量，L∈R^(l+u)×(l+u)是标记与未标记数据构建的拉普拉斯算子。