[发明专利]基于深度小波核变分自编码器的机械故障诊断方法和系统

说明书

本发明公开了一种基于深度小波核变分自编码器的机械故障诊断方法和系统，所述诊断方法包括如下步骤：获取针对机电液系统不同故障的两通道非线性振动数据并按1：1比例随机划分为训练集和测试集；将核函数映射模块、深度核特征学习模块和分类模块依次串接组成深度小波核变分自编码器；其中，核函数映射模块采用核函数映射方法将采集的数据集投影到高维特征空间，深度核特征学习模块采用小波变分自编码器进行堆叠学习并获得分类向量，分类模块对分类向量进行故障分类；采用训练集对深度小波核变分自编码器进行训练，完成非线性故障信息的深度提取，并将测试集输入到已训练好的深度小波核变分自编码器中，自动实现机电液系统的故障诊断。

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于深度小波核变分自编码器的机械故障诊断方法和系统。

背景技术

由于高端装备(如风力发电机、航空发动机、高铁旋转件)运行环境恶劣、工况复杂，高变转速、变载荷等大波动工况条件下高端装备振动监测数据难获取，样本量难满足实际需求，其蕴含的本质故障信息存在微弱性、耦合性和不确定性，即波动工况下小样本数据中蕴藏的有用信息量难揭示，传统诊断算法对此无能为力。因此，如何采用有效分析方法从小样本数据中揭示其蕴藏的判别性故障信息，是高端装备故障诊断的难点问题。

当前，深度学习理论为解决高端装备故障因相互耦合、特征微弱、有用信息量少而难以诊断这一难点问题提供了有效途径。然而，传统的深度学习模型(如深度信念网络、卷积神经网络、稀疏自编码器、降噪自编码器、变分自编码器等)在模型训练过程中对数据量的需求高，当面临数据量严重匮乏时，其特征学习性能和故障诊断能力急剧下降。

发明内容

本方案针对上文提出的问题和需求，提出一种基于深度小波核变分自编码器的机械故障诊断方法和系统，由于采取了如下技术特征而能够实现上述技术目的，并带来其他多项技术效果。

本发明的一个目的在于提出一种基于深度小波核变分自编码器的机械故障诊断方法，包括如下步骤：

S10：获取针对机电液系统不同故障的两通道非线性振动数据x_k和采样点数为n，并按1：1比例随机划分为训练集和测试集；

S20：将核函数映射模块、深度核特征学习模块和分类模块依次串接组成深度小波核变分自编码器；其中，核函数映射模块配置为采用核函数映射方法将采集的数据集投影到高维特征空间，深度核特征学习模块配置为采用小波变分自编码器进行堆叠学习并获得分类向量，分类模块配置为对分类向量进行故障分类；

S30：采用训练集对深度小波核变分自编码器进行训练，完成非线性故障信息的深度提取，并将测试集输入到已训练好的深度小波核变分自编码器中，自动实现机电液系统的故障诊断。

在本发明的一个示例中，在步骤S20中，

所述核函数映射模块由一个输入层与映射层串接组成，配置为将输入层的数据经过映射层的核函数映射处理后进行输出；

所述深度核特征学习模块由至少三个小波变分自编码器依次串接组成，配置为将最后一个小波变分自编码输出的特征向量作为分类向量；

所述分类模块配置为采用无监督聚类算法实现故障类型的自动识别。

在本发明的一个示例中，所述分类模块的表达式为：

式中，为第3个小波变分自编码器的输出，c_n为聚类数，clustering(·)为MATLAB聚类工具包中的函数。

在本发明的一个示例中，所述小波变分自编码器包括依次级联串接的小波编码模块、小波采样模块和小波解码模块；其中，

所述小波编码模块由一个输入层与小波隐含层串接组成，配置为学习隐含层特征信息；