[发明专利]一种基于DCAE神经网络的滚动轴承健康指标构建方法

说明书

本发明涉及一种基于DCAE神经网络的滚动轴承健康指标构建方法，属于滚动轴承检测技术领域。该方法是将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：首先，利用加速度传感器采集滚动轴承的振动信号，然后对采集到的振动信号进行低通滤波预处理来排除噪声的干扰；其次，将训练集中的轴承振动信号输入到构建的DCAE网络中进行权重迭代更新训练；最后，将测试集中的轴承数据输入到训练好的DCAE网络中进行健康特征指标构建。本发明能够在没有先验知识的情况下充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标，从而提高轴承剩余寿命预测的精度。

技术领域

本发明属于滚动轴承检测技术领域，涉及一种基于DCAE神经网络的滚动轴承健康指标构建方法。

背景技术

滚动轴承广泛应用于机械设备中，是应用最为广泛的机械零部件之一。在过载、冲击、磨损等复杂的工作环境下，滚动轴承会出现不同程度损坏的问题，这会导致整个机械设备出现停机、损坏，严重情况下还会给生产活动带来极大危害，引发人身安全问题。所以，滚动轴承的健康状况制约着整个机械设备的可靠性、安全性和生产效率。因此，对滚动轴承的健康指标构建十分有必要。有效的健康指标能够提高轴承剩余寿命预测的精度，确保机械设备可以安全高效的工作。

滚动轴承的健康特征指标构建方法大部分是通过提取振动信号的时域、频域、时频域特征，然后利用降维算法来融合特征进而得到轴承的健康特征指标，或者是仅仅通过单一的特征指标来表征轴承的健康退化趋势。但是，这些方法需要一定的先验知识来提取相关的特征，得到的健康特征指标也未能充分利用振动信号中的信息，存在一定的局限性。

因此，亟需一种在没有先验知识的情况下，能够充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标的方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于DCAE神经网络的滚动轴承健康指标构建方法，能够在没有先验知识的情况下充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标，从而提高轴承剩余寿命预测的精度。

为达到上述目的，本发明提供如下技术方案：

一种基于DCAE神经网络的滚动轴承健康指标构建方法，将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：首先，利用安装在PRONOSTIA实验台上的水平和垂直加速度传感器采集滚动轴承的振动信号，然后对采集到的振动信号进行低通滤波预处理来排除噪声的干扰；其次，将训练集中的轴承振动信号输入到构建的深度卷积自编码器(Deep convolutionalauto-encoder,DCAE)网络中进行权重迭代更新训练；最后，将测试集中的轴承数据输入到训练好的DCAE网络中进行健康特征指标构建。

进一步，构建的DCAE网络包含有二十七层，具体为：输入层、输出层、十三个卷积层(C1-C13)、六个池化层(P1-P6)和六个上采样层(U1-U6)。

进一步，构建的DCAE网络具体结构为：假设H_p,q表示第q层中第p个数据列，N_q为该数据列的长度；将H_p,q划分为多个其中，L为每个的长度，i为序号数；则卷积操作的定义为：

其中，*表示一维卷积，w_k,p,q为权重矩阵，b_p,q为偏置矩阵，为卷积后的结果，s表示非线性激活函数；

经过卷积操作后，对卷积结果进行最大池化操作，最大池化操作的定义为：

其中，L_p为池化长度，为第m层中第n个数据列中第i点的池化结果。