[发明专利]一种基于卷积自编码器的轴承健康状态监测方法

权利要求书

1.一种基于卷积自编码器的轴承健康状态监测方法，其特征在于，该方法首先在一个全新的轴承上安装振动传感器并获取该轴承全生命周期的数字振动信号及对应的健康状态标注值；对该数字振动信号分别进行两种特征提取操作：一是将该数字振动信号进行经验模态分解，选取若干个本征模态分量并得到每个选取的本征模态分量的统计量特征；二是将该数字振动信号输入到一个卷积自编码器中进行深度学习训练，训练完毕后，得到输入信号的深度特征；然后将两种特征进行拼接并筛选，将筛选出的特征输入一个全连接回归网络当中进行回归训练，最终得到该轴承全生命周期的健康状态曲线图；获取同型号待监测轴承的数字振动信号，利用训练完毕的卷积自编码器和全连接回归网络，获取该轴承的健康状态预测值，进而生成该轴承目前的健康状态曲线图；通过两张曲线图的对比，得到该待监测轴承的健康状态监测结果；该方法包括以下步骤：

1)选取一个全新的轴承，获取该轴承在全生命周期的数字振动信号及对应的健康状态标注值；具体步骤如下：

1-1)选取一个全新的轴承；

1-2)在该轴承的轴承座上安装振动传感器，利用振动传感器获取轴承从开始运行直到报废的全生命周期的振动信号，将获取的振动信号转化为数字振动信号；

1-3)对数字振动信号进行预处理操作，该预处理操作包括对步骤1-2)得到的数字振动信号进行采样，得到预处理完毕的所有采样点的数字振动信号并计算每个采样点对应的健康状态标注值；

2)将步骤1)得到的预处理完毕的所有采样点的数字振动信号进行经验模态分解得到对应的本征模态分量，然后选取前N个本征模态分量进行统计量特征分析，得到选取的每个本征模态分量分别对应的统计量特征；

3)将步骤1)预处理完毕的所有采样点的数字振动信号输入到随机初始化参数的一维卷积自编码器当中，通过减小重构误差对该卷积自编码器进行深度学习的训练，当重构误差不再变小时，得到训练完毕的卷积自编码器；其中，卷积自编码器由编码器和译码器构成；

将步骤1)预处理完毕的所有采样点的数字振动信号输入训练完毕的卷积自编码器，卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征；

4)将步骤2)和步骤3)得到的所有特征根据对应的采样点进行拼接，得到预处理完毕的各采样点数字振动信号的拼接特征，再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选，得到筛选完毕的特征；

5)将步骤4)筛选完毕的特征输入到一个全连接回归网络当中进行回归训练，采用梯度下降的方法反复减小损失函数的取值对该全连接回归网络进行训练，直到损失函数的取值不再减小，则全连接回归网络训练结束；将训练完毕的全连接回归网络输出的轴承的在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值；

其中，损失函数的计算表达式为：

式中,label_i表示第i个采样点健康状态的标注值，prediction_i表示当前全连接神经网络输出的第i个采样点的健康状态的预测值；

利用轴承在每个采样点的健康状态值，绘制该轴承健康状态随时间变化的二维曲线，得到该轴承在全生命周期的健康状态曲线图；根据健康状态曲线图中斜率的变化趋势，将轴承的全生命周期分为平稳阶段、退化阶段、急速退化阶段；

6)获取一个与步骤1)相同型号的待监测轴承，获取该轴承的健康状态监测结果；具体步骤如下：

6-1)获取一个与步骤1)相同型号新的轴承作为待监测轴承，在该轴承的轴承座上安装与步骤1-2)中相同类型的振动传感器；

6-2)在任一监测时刻，利用步骤6-1)安装的振动传感器获取待监测轴承从开始运行直到该监测时刻的振动信号并转化为数字振动信号；对该数字振动信号进行预处理，通过对数字振动信号进行采样，得到预处理完毕的所有采样点的数字振动信号；

6-3)将步骤6-2)预处理完毕的所有采样点的数字振动信号进行经验模态分解得到前N个本征模态分量；对各本征模态分量进行统计量特征分析，得到每个本征模态分量分别对应的统计量特征；

6-4)将步骤6-2)预处理完毕的所有采样点的数字振动信号输入步骤3)训练完毕的卷积自编码器，卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征；

6-5)将步骤6-3)和步骤6-4)得到的所有特征根据对应的采样点进行拼接，得到拼接特征，再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选，得到筛选完毕的特征；

6-6)将步骤6-5)筛选完毕的特征输入到步骤5)训练完毕全连接回归网络，该网络输出待监测轴承在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值；

利用每个采样点的健康状态值得到待监测轴承从开始运行到当前时刻的健康状态曲线图；

6-7)将步骤6-6)得到的健康状态曲线图与步骤5)得到的轴承在全生命周期的健康状态曲线图进行比对，得到待监测轴承在该监测时刻所处的健康状态阶段，监测完成。