[发明专利]基于深度学习和支持向量机的滚动轴承故障诊断方法

摘要

本发明提供了一种基于深度学习和支持向量机的滚动轴承故障诊断方法，其利用深度信念网络理论中成熟的学习算法完成故障诊断所需的特征提取任务，可以不依赖人工选择由简单到复杂、由低级到高级自动地提取输入数据的本质特征，并能自动挖掘出隐藏在已知数据中的丰富信息；此外，由于采用了支持向量机分类方法对测试样本进行分类识别，因此可以采用之前设计好的有效方法去寻找和发现目标函数的全局最小值，从而解决深度信念网络可能陷入局部最优解的问题。本发明的滚动轴承故障诊断方法能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于化工、冶金、电力、航空等领域的复杂系统中。

主权项

基于深度学习和支持向量机的滚动轴承故障诊断方法，其特征在于，包括如下步骤：1)在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；所述四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转；2)建立深度信念网络模型，采用训练样本对深度信念网络模型进行训练，将训练样本输入深度信念网络模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度信念网络模型的连接权值和偏置参数；3)将各种工况下的训练样本分别作为确定连接权值和偏置参数的深度信念网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型分别对每种工况下的各个训练样本进行重构，得到每种工况下的各个训练样本对应的训练样本重构信号；4)通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；5)将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型对测试样本进行重构，得到测试样本重构信号；6)将测试样本重构信号作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本重构信号作为匹配基准，采用支持向量机分类方法对测试样本与训练样本进行匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。