[发明专利]基于类别不平衡权重交叉熵的旋转机械故障诊断方法

说明书

本发明提出了一种基于类别不平衡权重交叉熵的旋转机械故障诊断方法，实现步骤为：(1)获取训练样本集和测试样本集；(2)构建稀疏自编码器模型；(3)对稀疏自编码器模型进行迭代训练；(4)构建旋转机械故障诊断模型；(5)对旋转机械故障诊断模型进行迭代训练；(6)获取旋转机械的故障诊断结果。本发明以类别不平衡权重交叉熵损失函数作为故障诊断模型的分类损失函数，通过类别不平衡权重消除故障类别不平衡对故障诊断模型精度的影响，提升故障诊断模型的诊断精度，实现旋转机械的故障诊断。

技术领域

本发明属于机械技术领域，涉及一种旋转机械故障诊断方法，具体涉及一种基于类别不平衡权重交叉熵的旋转机械故障诊断方法，可用于对旋转机械进行智能检测、状态监测和设备维护。

背景技术

旋转机械是工业设备中使用最广泛的机械设备之一，包括齿轮、凸轮、轴承等凡能旋转工作的机械，其稳定性和可靠性直接影响着工业生产活动，对旋转机械进行故障诊断显得尤为重要。故障诊断是查找设备或系统的故障的过程，在实际的生产环境中，旋转机械长期正常运行，设备故障不是经常发生，所以经常面临严重的数据不平衡的问题，难以用于实际生产条件下的故障诊断。解决数据不平衡问题的方法主要分为传统方法和基于学习的方法，传统方法从数据层面改变数据分布，降低数据不平衡度。基于学习的方法运用深度置信网络、深度自编码器、卷积神经网络等深层特征学习的深度学习技术来学习不平衡数据特征，进行类别不平衡的故障诊断。

近年来，基于学习的方法在故障诊断领域中得到了广泛的运用。例如申请公布号为CN 112364706 A，名称为“一种基于类不平衡的小样本轴承故障诊断方法”，公开了一种基于类不平衡的小样本轴承故障诊断方法，该方法首先构造类不平衡的数据集，通过滑动窗口对一维原始振动信号进行切分，将一个样本增强为多个具有相似特性的小样本；然后将增强后的多个样本作为输入，利用深度卷积神经网络提取信号特征；最后结合集成学习分类算法实现故障分类。该方法采用数据增强处理方法能够扩大样本量，提高样本点的利用率，并采用集成学习的方法提高故障诊断的准确率，但其存在的不足之处在于，将样本增强为相似特性的小样本，容易造成网络的过拟合，并且不能学习到样本的更多特征，导致网络的泛化能力下降，进而导致故障诊断精度较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供了一种基于类别不平衡权重交叉熵的旋转机械故障诊断方法，用于解决现有技术中存在的不平衡数据下旋转机械故障诊断精度较低的技术问题。

为了实现上述目的，本发明采用的技术方案包括如下步骤：

(1)获取训练样本集和测试样本集：

(1a)对通过加速度传感器采集的旋转机械C个故障类别下的I个振动信号进行傅里叶变换，得到频域振动信号集合S＝{x_i|1≤i≤I}，x_i表示第i个频域振动信号，其中，C≥2，I≥50000；

(1b)对频域振动信号集合S中半数以上的频域振动信号对应的故障类别进行独热编码，并将半数以上的频域振动信号及其每个信号对应的故障类别标签作为训练样本集X₁，将频域振动信号集合S中其余的频域振动信号作为测试样本集X₂，其中，训练样本集X₁和测试样本集X₂中每种故障类别包含不平衡的样本数，即N_c代表第c类故障类别的样本数；

(2)构建稀疏自编码器模型H：

构建包括顺次连接的K个稀疏自编码器F＝{F₁,F₂,...,F_k,...,F_K}的稀疏自编码器模型，其中，每个稀疏自编码器F_k包括顺次连接的编码器和解码器；编码器和解码器均采用激活函数为sigmoid的全连接层,其中，K≥3，F_k表示第k个网络参数为的稀疏自编码器；