[发明专利]一种使用DBN多域特征提取的立体车库电机故障诊断方法

权利要求书

1.一种使用DBN多域特征提取的立体车库电机故障诊断方法，其特征在于，包括：

步骤1，通过压电式振动传感器采集立体车库的电机实时振动信号，提取齿轮减速电机的振动信号时频域的统计指标，组成电机振动信号特征向量；

步骤2，基于DBN对振动信号作深度特征提取，设置DBN网络参数，对上一步的时频域统计指标进行重新学习，提取深度隐含特征；

步骤3，基于OCSVM进行电机故障诊断，将DBN提取的特征向量输入到训练好的OCSVM一分类模型，判断电机是否发生故障。

2.根据权利要求1所述的立体车库电机故障诊断方法，其特征在于，步骤1中的所述提取电机振动信号时频域的统计指标包括：

步骤11，针对采集到的立体车库电机振动信号，进行时域分析，求出波形因子、峰值因子、脉冲因子、裕度因子、偏度因子、峭度因子六个无量纲时域特征指标；

步骤12，针对采集到的立体车库电机振动信号，进行频域分析，求出(0.01～0.4)f、(0.4～0.5)f、0.5f、(0.5～1)f、f、2f、2f，7个功率谱段能量百分比；

步骤13，将时频域特征指标结合，使用线性归一化方法对时频域统计指标进行预处理，保持数据结构的相对不变，形成电机振动信号的特征向量。

3.根据权利要求2所述的立体车库电机故障诊断方法，其特征在于，步骤2中的所述基于DBN对振动信号作深度特征提取，包括：

步骤21，对DBN网络进行预训练，采用自下而上逐层训练的方法，输入归一化之后的电机振动信号时频域指标，每个RBM通过正向传播和反向重构来更新权值参数，然后固定当前RBM的参数，再将当前的RBM的输出作为下一个RBM的输入进行训练，以此类推直至所有RBM训练完毕；

步骤22，对DBN网络进行参数优化的全局训练，使用带有标签的电机振动信号训练样本来对网络进行有监督训练，将BP网络作为DBN模型的最后一层，以RBM网络输出的特征向量作为BP网络的输入向量，通过将反向误差自上而下传播到每层RBM中，微调整个DBN网络的权值参数，进行参数优化，达到整体最优的网络；

步骤23，将电机振动信号的时频域特征输入到训练好的DBN网络，进行深度特征提取后，输出相应的特征向量，供分类模型进行故障诊断。

4.根据权利要求3所述的立体车库电机故障诊断方法，其特征在于，步骤3中的所述基于OCSVM的一分类模型对电机进行故障诊断，包括：

步骤31，设置One-Class SVM模型的高斯核参数与惩罚参数；

步骤32，将经过DBN深度特征提取的特征向量输入到One-Class SVM一分类模型中进行训练，得到训练好的OCSVM模型；

步骤33，将需要诊断的电机振动信号时频域特征输入到DBN网络进行深度特征提取，再将得到的特征向量输入到OCSVM模型，得到电机是否故障的结果。