[发明专利]一种基于最小信息熵特征学习模型的旋转机械故障诊断方法

说明书

本发明提供了一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，包括以下步骤：构造Hankel矩阵，将Hankel矩阵进行堆叠之后通过线性映射得到特征矩阵；对特征矩阵的行进行L₂范数归一化，然后最小化特征矩阵的信息熵得到训练好的权值矩阵；通过训练好的权值矩阵求出故障振动信号的特征，并进行Z‑score标准化并与标签合并导入Softmax模型进行优化，得到训练完成的Softmax分类器；通过权值矩阵求出测试环境下的旋转机械振动信号的特征，并进行Z‑score标准化后输入Softmax分类器中，得到旋转机械的故障诊断结果。本发明通过最小化特征矩阵的信息熵提取样本间的区分性特征，并引入Hankel矩阵与特征的Z‑score标准化，较已有的无监督特征提取方法，具有更好的噪声适应能力、准确性和鲁棒性。

技术领域

本发明涉及振动信号智能故障诊断技术领域，涉及一种基于最小信息熵特征学习模型的旋转机械故障诊断方法。

背景技术

随着现代化工业的发展和科学技术的进步，工程车辆、轨道交通等装载工具正朝着高速、高精、高效方向发展，建立可靠的健康监测系统是保证这些设备高效、安全运行的必要举措，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。作为传动动力的主要部件，齿轮箱具有结构紧凑，传递精度高，传递扭矩大的特点，在航空、工程车辆、轨道交通等领域得到了广泛的应用。齿轮箱中的旋转部件如轴、轴承、齿轮等具有加工精度高，传递误差小，装备精度高等特点，常在各种复杂多变的作业工况、行驶环境下工作，是齿轮箱最关键的也是易出现故障的部件，这些故障信号往往被淹没在环境噪声之中，不易被察觉。

建立可靠的健康监测系统是保证这些设备高效、安全运行的必要举措，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。由于计算机网络的迅速发展，机械健康监测的设备群规模大、需要的测点多、数据收集历时长，获取的是海量的数据，促使机械健康监测系统进入了“大数据”时代。传统的故障诊断方法已经无力应对，研究利用先进的数据驱动方法，从机械大数据中提取信息，准确高效地识别设备健康状况，成为机械故障诊断领域新的热点问题。基于深度学习的机械健康监测方法实现了无监督学习和监督学习的有机结合，可同时完成大数据故障特征自适应提取和机械健康状况的识别，克服了传统方法在特征提取与故障识别中的不足。

多数深度学习算法有很多的超参数需要调节，这些调节过程本身是需要先验经验的，同时在噪声环境下的特征泛化能力较差。

发明内容

为解决上述问题，本发明提供了一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，在本发明中提出了简单、高效的基于最小信息熵的特征学习模型，学习旋转机械振动信号的故障特征并实现故障模式的诊断识别。

为实现上述目的，本发明的技术方案为：

一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，包括以下步骤：

根据采集到的故障振动信号构造Hankel矩阵，将Hankel矩阵进行堆叠之后通过线性映射得到特征矩阵；

对特征矩阵的行进行L₂范数归一化，然后最小化特征矩阵的信息熵得到训练好的权值矩阵；

通过训练好的权值矩阵求出故障振动信号的特征，对故障振动信号的特征进行Z-score标准化并与标签合并导入Softmax模型进行优化，得到训练完成的Softmax分类器；

通过权值矩阵求出测试环境下的旋转机械振动信号的特征，对所述旋转机械振动信号的特征进行Z-score标准化后输入Softmax分类器中，得到旋转机械的故障诊断结果。