[发明专利]一种深度神经网络结合人工蜂群优化的智能故障诊断方法

说明书

本发明公开了一种深度神经网络结合人工蜂群优化的智能故障诊断方法，包括以下步骤：提出一种用于振动信号的数据扩充策略、设计深度无损非负约束稀疏自编码器模型、利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。本发明能够增加缺失样本容量减小样本不平衡对深度学习模型训练的影响，增加故障特征的抗噪性，增强特征提取过程的鲁棒性，避免人工过多参与超参数选取，提高模型诊断过程的智能化和准确性。

技术领域

本发明涉及一种深度神经网络结合人工蜂群优化的智能故障诊断方法。

背景技术

随着技术的发展，旋转机械正朝着速度、精度、效率越来越高的方向发展，基于机器学习的故障诊断方法依赖于大量的信号处理技术和人工经验，面对数据复杂、非线性和非平稳的情况下无法做到稳定且高精度的诊断效果。在提取故障特征过程中，需要诊断人员掌握大量的信号处理技术并结合丰富的工程实践经验来提取和选取故障特征。此外，该过程独立地对待特征提取和故障识别两个环节，并未考虑它们之间的关系。在模型训练阶段，由于振动信号包含大量的环境噪声，使得深度学习模型无法表征信号与故障类型之间复杂的映射关系，进而导致诊断能力及泛化性能均有明显不足，很难满足复杂非线性数据背景下旋转机械故障诊断的实际需求。因此，对旋转机械进行精准的故障识别必须要解决以下关键问题：

(1)在实际工程应用中，往往健康信号比故障信号获取容易，使得数据集出现类别不平衡现象，严重影响深度自编码器的训练；

(2)振动信号受到环境噪声的影响，使得深度自编码器的特征学习性能下降；

(3)深度神经网络的超参数的优化问题无关相关理论知识指导选取，需要依靠人工经验和相关实验进行确定，影响诊断的效率和精度，不利于模型的智能化。

为了克服上述缺陷，本发明提出一种深度神经网络结合人工蜂群优化的智能故障诊断方法。首先，本发明提出一种用于振动信号的数据扩充策略，降低类别不平衡数据对深度学习模型的影响；设计深度无损非负约束稀疏自编码器模型，提升模型对特征提取过程的鲁棒性，增强故障特征的质量；采用人工蜂群算法优化深度无损非负约束稀疏自编码器模型，减少人为参与参数选取过程，从而实现旋转机械的健康状态识别。

发明内容

本发明的目的是为了解决上述问题，设计了一种深度神经网络结合人工蜂群优化的智能故障诊断方法，包括以下步骤：

步骤1：提出一种用于振动信号的数据扩充策略；

步骤2：提出一种深度无损非负约束稀疏自编码器模型；

步骤3：采用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。

进一步地，所述的步骤1中，提出一种用于振动信号的数据扩充策略，其具体步骤为：

步骤1.1：数据划分：将采集所得的振动信号分割为训练数据和测试数据；

步骤1.2：训练数据扩充：利用重叠采样策略将训练数据分割成若干样本，采用抖动技巧和旋转技巧产生新的训练数据；

步骤1.3：训练数据混合：将原始训练数据和新产生的训练数据进行混合，合成的训练数据用于深度学习网络的训练。

进一步地，所述的步骤2中，提出一种深度无损非负约束稀疏自编码器模型，其具体步骤为：

步骤2.1：设计无损约束项和引用权重非负约束项对稀疏自编器的损失函数进行修改，构建无损非负约束稀疏自编码器模型；

步骤2.2：修改无损非负约束稀疏自编码器的预训练规则，设计无损非负约束稀疏自编码器的参数学习规则；

步骤2.3：预训练Softmax分类器；

步骤2.4：将多个无损非负约束稀疏自编器与Softmax分类器进行堆栈，形成深度无损非负约束稀疏自编码器模型；