[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

说明书

本发明公开了一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括步骤如下：首先,对滚动轴承处进行振动信号的采集与处理，并将所采集的振动信号转化为频域信号;然后，将所转化的频谱信号分为训练样本集与测试样本集；接着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；最后，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；再将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。本发明简单易行，可以摆脱传统深度学习故障诊断系统在分类阶段是有监督且训练效率低的缺陷。

技术领域

本发明涉及机械设备中的故障诊断技术领域，是一种基于深度学习的智能滚动轴承故障诊断系统。

背景技术

目前，旋转机械设备在工业生产与智能制造等领域扮演着不可或缺的重要角色，发挥着不可替代的积极作用。与此同时，机械设备的健康维护与运行管理已经吸引着越来越多的企业与研发人员的重视。即有效、适当的机械设备状态监测与故障诊断不仅可以保障旋转机械设备的安全运行，而且还可以减少不必要的故障发生、增加机械设备运行的使用寿命、提升整个工业系统的经济效益。

为实现对机械设备的核心部件如滚动轴承等部件的有效诊断，基于振动信号分析的旋转机械故障诊断方法已经逐渐成熟并被广泛应用。一般情况下，振动信号时常伴随着能量聚集等特征现象的出现，当机械设备出现故障时振动信号的能量分布就会发生相应的变化，这些变化都会在传感器采集得到的振动信号中得到体现。目前，我们可以通过在旋转机械的核心部件处(如轴承等)布置相对应数量的传感器等测量仪器对机械设备运行的状况进行有效的信号拾取与状态监测。基于振动信号分析的故障诊断方法主要是对所采集的信号进行处理与分析，从原始的振动信号中提取有效得的故障特征频率，实现故障诊断的有效分析与诊断，为故障维修提供决策的依据。

基于信号分析的故障诊断方法大多是难以量化故障诊断结果，且传感与测量设备所采集的振动信号大多是无标记的、未知的。因此基于振动信号分析的旋转机械故障诊断方法在有效的辨识与分析故障诊断结果的过程受到一定的限制。目前，基于数据驱动的智能诊断方法已在故障诊断领域中不断兴起。即基于数据驱动的智能故障诊断方法大多是基于机器学习的故障诊断方法，即“特征提取+智能分类”的智能故障诊断模式。这种故障诊断模式可有效的避免基于振动信号诊断不精确、依赖大量专家知识的缺陷，它们可实现故障诊断模型的智能化、自动化程度。

深度学习作为智能故障诊断领域的新起之秀，近年来受到极大的关注。深度学习的宗旨在于通过多层的反复嵌套特征变换与特征学习，可以自主地挖掘出隐藏于海量测量与监测数据中的有价值的信息，并通过数据与模型建立其与设备运行状态间的精确映射关系。换句话说，深度学习是以特征提取为手段，以模式识别为目的。即深度学习是统一特征学习与分类的全过程，可以实现“原始信号+深度学习”的传统故障诊断模式的转变。因此，我们展开深度学习理论在机械设备关键机械部件智能故障诊断中的应用研究，对于保障工业设备的安全运行和提高工业生产实际效率具有重要积极意义。

发明内容

本发明为实现滚动轴承等部件的自适应特征提取与故障分离，设计出一种自适应稀疏压缩自编码的滚动轴承故障诊断系统。旨在通过优化深度学习的参数与性能，实现自适应的滚动轴承无监督故障诊断。

根据本发明提出的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括以下步骤：

步骤1：首先,对旋转机械关键部件(滚动轴承等处)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；

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，自适应稀疏压缩自编码模型的构建主要包含两个阶段：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：