[发明专利]基于多通道数据深度挖掘的主减速器多故障智能诊断方法

权利要求书

1.基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，包括如下步骤：

通过多通道传感器获取主减速器的振动信号，并融合小波收缩降噪方法和结构化稀疏方法对所述振动信号进行降噪处理；

基于降噪处理后的所述振动信号，采用深度信念网络进行多通道深层特征提取，并对多通道深层特征进行融合；

基于深层特征融合结果，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断。

2.根据权利要求1所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，对所述振动信号进行降噪处理的方法包括：

对所述振动信号进行小波变换，根据同一时间区间的不同尺度小波系数之间的相关性构建基于重叠组Lasso的稀疏树结构；

基于所述稀疏树结构，获取小波域中振动信号在每个时间点上的信息量，基于所述信息量检测所述振动信号的特征点；

基于检测到的特征点对所述稀疏树结构的正则化权值进行自适应优化，基于正则化权值优化后的所述稀疏树结构对所述振动信号进行降噪处理。

3.根据权利要求2所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，获取小波域中振动信号在每个时间点上的信息量的方法包括：对不同尺度小波系数的幅值进行平均化处理，基于所述平均化处理结果对每个时间点上的信息量大小进行度量。

4.根据权利要求2所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，采用基于Moreau-Yosida混合范数正则化逼近算法对所述稀疏树结构的正则化权值进行自适应优化。

5.根据权利要求1所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，采用深度信念网络进行深层特征提取和融合的方法包括：

通过时域分析、频域分析和时频分析，对预处理后的多通道传感数据进行多模态原始特征表示；

基于多个深度信念网络MDBNS构建自适应学习模型，通过所述自适应学习模型对所述多模态原始特征进行深层挖掘，得到多通道传感数据的深层特征；

采用多特征级别的信息融合方法对多通道传感数据的深层特征进行特征融合。

6.根据权利要求5所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，所述自适应学习模型包括若干个深度信念网络，所述深度信念网络的数量与所述传感器的数量相同，每个所述深度信念网络用于对相应的传感器信号的多模态原始特征进行深层挖掘。

7.根据权利要求1所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断的方法包括：

基于稀疏贝叶斯极限学习机构建若干个概率分类模型；

基于若干个所述概率分类模型，构建基于配对策略的分类模型PSBELM；

通过所述深层特征融合结果对所述基于配对策略的分类模型进行训练，训练好的所述基于配对策略的分类模型用于对所述主减速器的各个故障模式进行诊断；

基于各个故障模式的诊断结果，采用最优决策阈值对所述主减速器进行多故障识别。

8.根据权利要求7所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，构建基于配对策略的分类模型PSBELM的方法为：基于任意两种单故障模式之间的相关性，通过配对策略构建基于配对策略的分类模型PSBELM。