[发明专利]一种基于深度自编码器的滚动轴承故障诊断方法

说明书

本发明公开了一种基于深度自编码器的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域，该诊断方法具体步骤如下：(1)振动信号采集；(2)信号预处理；(3)特征降维和选取；(4)初始分类器设计与训练；(5)量化特征提取；(6)集成分类器设计与训练；(7)模型评估；(8)滚动轴承故障诊断；本发明采用深度自编码器为对高维外圈特征集、高维内圈特征集和高维滚动体特征集进行特征降维及选取，其提取到特征不仅有效性高且具有高代表性；从而有利于提高集成滚动轴承故障诊断模型的诊断精度，并且本发明采用集成学习对外圈特征、内圈特征和滚动体特征进行特征融合，进而进一步加强了该模型的诊断精度。

技术领域

本发明涉及滚动轴承故障诊断技术领域，尤其涉及一种基于深度自编码器的滚动轴承故障诊断方法。

背景技术

经检索，中国专利号CN106872168A公开了一种用于滚动轴承的故障诊断方法，该发明虽然结构简单且使用方便，但其诊断精度较低；滚动轴承是应用最广泛机械零件之一，同时也是机械设备中最容易损坏的元件之一，它的运行状态直接影响整台设备的功能；据不完全统计，在使用滚动轴承的旋转机械中，大约有30％的机械故障都是由轴承引起的，产生轴承故障的原因有疲劳剥落、磨损、塑性变形、锈蚀、断裂、胶合和保持架损坏等；如果不及时诊断轴承早期故障，将会使机器设备产生严重故障，从而造成巨大的经济损失；诊断出轴承的早期故障特征，有利于避免严重故障的发生，同时对保障机械设备的长期正常运行有着重大的现实意义；因此，发明出一种基于深度自编码器的滚动轴承故障诊断方法变得尤为重要；

现有的滚动轴承故障诊断方法，大多是靠专家人工进行滚动轴承的故障特征提取，此类提取方法不仅提取时间过于漫长且浪费人力，并且由于滚动轴承特征具有多样性，使得此方法提取故障特征不具有代表性，从而容易降低后期模型的诊断精度，进而无法保障机械设备的长期正常运行；为此，我们提出一种基于深度自编码器的滚动轴承故障诊断方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于深度自编码器的滚动轴承故障诊断方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度自编码器的滚动轴承故障诊断方法，该诊断方法具体步骤如下：

(1)振动信号采集：通过互联网数据查询，获取得到高维外圈振动信号、高维内圈振动信号和高维滚动体振动信号；

(2)信号预处理：利用去噪算法分别对高维外圈振动信号、高维内圈振动信号和高维滚动体振动信号进行去噪预处理，得到去噪后的高维外圈振动信号、高维内圈振动信号和高维滚动体振动信号，同时分别将其作为高维外圈特征集、高维内圈特征集和高维滚动体特征集；

(3)特征降维和选取：利用深度自编码器分别对高维外圈特征集、高维内圈特征集和高维滚动体特征集进行特征降维及选取，得到低维外圈特征集、低维内圈特征集和低维滚动体特征集；

(4)初始分类器设计与训练：设计多个初始分类器，将低维外圈特征集、低维内圈特征集和低维滚动体特征集分别输入多个初始分类器中进行训练学习，得到故障诊断模型一、故障诊断模型二和故障诊断模型三；

(5)量化特征提取：针对已经故障的滚动轴承，利用故障诊断模型一、故障诊断模型二和故障诊断模型三分别进行检测，得到量化特征一、量化特征二和量化特征三；

(6)集成分类器设计与训练：提取70％的量化特征一、量化特征二和量化特征三作为训练集，同时将剩余30％的量化特征一、量化特征二和量化特征三作为验证集；设计集成分类器，将70％的训练集输入集成分类器内，并通过集成学习策略训练，得到集成滚动轴承故障诊断模型；

(7)模型评估：将其30％的验证集输入集成滚动轴承故障诊断模型中进行验证，若集成滚动轴承故障诊断模型符合预期效果，则训练结束，若不符合预期效果则返回步骤(3)；