[发明专利]一种丝杠故障诊断方法

摘要

本发明公开了一种丝杠故障诊断方法，属于机械故障诊断技术领域，特别涉及滚珠丝杠故障诊断。它能有效地解决现有丝杠智能故障诊断系统人工提取特征困难和应用浅层网络非线性表达能力有限的问题。采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量；确定故障诊断模型的输入端数量确定故障诊断模型的输出端数量，准备训练样本集、预训练、微调训练、准备故障诊断模型测试样本集、测试故障诊断模型的故障诊断性能，依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。

主权项

一种丝杠故障诊断方法，其步骤如下：一、建立具有特征学习能力的网络结构（1）、确定诊断模型的结构本发明采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量；（2）：确定故障诊断模型的输入端数量设故障诊断模型有m个输入端节点，m个节点输入信号构成了一个输入端向量x，表示如下：x＝(x₁,x₂,…,x_m)式中，x_i为模型的第i个输入端节点，i＝1,2,…,m；（3）、确定故障诊断模型的输出端数量故障诊断输出端的数量由丝杠故障类型数量所确定，设丝杠有n种不同类型的故障，模型的输出端向量y为：y＝(y₁,y₂,…,y_n)式中，y_j为丝杠故障诊断模型的第j个输出信号，j＝1,2,…,n；二、训练故障诊断模型（1）、准备训练样本集对每一种丝杠故障类型，采用不低于100组的数据构成各自训练样本集；（2）、预训练用原始信号作为第一层网络输入信号I₁＝x，第一层网络的中间层作为第二层网络的输入层I₂＝m₁,I₂指第二层网络的输入层，m₁指第一层网络的中间层；每层网络先分别训练，在训练每一层参数的时候，固定其它各层参数保持不变，再依次叠加成为多层网络；每层网络训练分为编码过程和解码过程，每层网络编码步骤为：a¹＝xz²＝W⁽¹⁾a¹+b⁽¹⁾a²＝f(z²)式中，a¹为第一层网络输入的值即为输入信号值，W⁽¹⁾是第一层的权重值，b⁽¹⁾是第一层的偏置值，z²是第二层的输入值，a²是第二层的激活值，f(·)是激活函数，解码步骤为编码步骤的反过程：z³＝W^(1,1)′a²+b^(1,1)′a³＝f(z³)式中，W^(1,1)′，b^(1,1)′为W^(1,1)，b^(1,1)的逆向量；z³为第三层的输入值，a³为第三层(输出层)的激活值；（3）、微调训练预训练网络结构顶层加入输出层I_o，在上述预训练过程完成之后，通过反向传播算法同时调整所有层的参数以改善结果，定义为微调训练；微调训练为有监督学习过程，输入样本集 合T＝(X_t,Y_t)，其中X_t为样本输入信号，Y_t为输入信号对应的标签数据即故障类型,确定微调训练的误差值ε，当模型满足下式时，即误差范围小于或等于误差值时，训练停止；测试故障诊断模型（1）、准备故障诊断模型测试样本集用不同于训练样本集的包含所有故障类型的数据段构成测试样本集，根据测试样本集的排列顺序，对应一张丝杠状态输出表，这里称为故障诊断模型的理想输出表；表中的每一行对应测试样本集中相应行所表示的故障状态输出，也就是故障诊断模型的理想输出；（2）、测试故障诊断模型的故障诊断性能依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。