[发明专利]多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法

说明书

一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法，步骤为：对训练样本进行双树复小波分解，得到多尺度分量，对每个尺度分量进行傅里叶变换，并对得到的频谱进行归一化处理；设置堆叠自编码神经网络的参数，并对各个自编码神经网络进行无监督训练；将最后一个自编码神经网络与一个Softmax网络串联，并进行有监督的训练；对所有的表示层依次与输入层堆叠起来，构成一个深度神经网络，采用有监督学习方式进一步训练神经网络；利用测试样本对模型进行验证，最终得到旋转机械故障诊断模型并用于诊断。该方法保证了信号表示的平移不变性和统计稳定性，利用堆叠稀疏自编码方法能够自动学习到样本的故障特征，得到更好的诊断性能。

技术领域

本发明涉及旋转机械智能故障诊断技术领域，具体涉及一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法。

背景技术

旋转机械在现代工业中具有重要作用，随着科技的发展，其自动化、高精度、高效率的特点越发明显。一方面，用户对机械的质量和性能有了更高的要求，另一方面，非计划宕机、故障往往带来经济损失，甚至人员伤亡。因此，需要开发旋转机械有效和稳定的故障诊断工具。

传统的故障诊断方法分为基于模型的方法和基于数据驱动的方法。基于模型的方法需要对系统精确建模，但是，对于复杂的系统，往往无法建立精确的运动学和动力学模型。基于数据驱动的方法往往结合人工智能和信号处理方法，通常包括数据采集、特征提取、分类器训练等步骤。数据驱动的方法可用于复杂的系统而无需建立精确的物理模型，因此在机械设备的状态监测、故障诊断中得到广泛应用。在传统的智能诊断方法中，所提取特征的质量直接影响分类器训练的性能，如果所提却的特征的分布对设备不同的状态不具有良好的可分性，就无法得到良好的分类性能。

近年来，深度学习由于能直接从采集的信号中学习不同状态的特征，得到良好的分类性能而在多个领域得到成功应用。但是，机械设备往往工作在复杂的工况下，所采集的信号常表现出非平稳、非线性特征。这些特征往往限制了深度学习模型在机械设备故障诊断中性能的提高。

发明内容

为了解决上述技术问题，本发明提供了一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法(dual-tree complex wavelet transform based stackedsparseautoencoder，DCWT-SSAE)。利用双树复小波分解得到信号的多尺度表示，避免了信号非平稳、非线性特征带来的常规多尺度方法的平移变化、谱混淆等缺陷，利用堆叠稀疏自编码方法进行非监督的特征学习、获得精确稳定的诊断性能。

为了达到上述目的，本发明的技术方案是：一种多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法，其步骤如下：

步骤1.训练样本的分解、变换和处理；

对训练样本进行双树复小波分解，得到若干个多尺度分量，对每个尺度分量进行傅里叶变换，得到对应尺度分量的若干个频谱，然后对每个频谱进行归一化处理形成各个尺度分量对应的归一化频谱；

步骤2.设置堆叠稀疏自编码神经网络模型(SAE)的参数、进行学习；

设置堆叠稀疏自编码神经网络模型(SAE)的网络结构参数，包括网络层数、各层节点个数，隐层节点数目少于输入节点个数；设置堆叠稀疏自编码神经网络模型的稀疏参数，包括权重归一化控制系数、稀疏归一化系数、稀疏比例；

①将训练样本各个尺度的归一化频谱作为堆叠自编码神经网络模型中自编码模型(AE)的输入，对第一个自编码模型(AE)进行无监督学习，得到输入层节点和隐层节点之间的权值以及隐层的偏置参数；

②利用输入样本和得到的第一个自编码模型参数，可以计算出第一个自编码模型隐层的输出；将第一个自编码模型的隐层输出看做该自编码模型输入层的表示层，同时作为第二个自编码模型的输入，并训练第二个自编码模型；

③对堆叠稀疏自编码神经网络模型中的其他若干个自编码模型依次按照上述②的规则进行训练；