[发明专利]基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法

摘要

基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，首先获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型；然后对稀疏滤波网络进行训练，利用训练后的稀疏滤波网络从振动信号中自动提取故障特征；最后基于提取的故障特征，训练Softmax分类器，利用训练后的分类器对轴承故障进行智能诊断，本发明高效、可靠地实现了机车轮对轴承故障特征的自动提取以及健康状态的智能诊断。

主权项

基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，其特征在于，包括以下步骤：1)获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型，故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器，稀疏滤波网络用于提取故障特征；Softmax分类器以提取的故障特征为输入，用于实现故障诊断；2)对稀疏滤波网络进行训练，首先确定网络输入和输出维数，根据输入维数N_in，从振动信号xⁱ中随机可重叠地选取N_s个数据段，组成样本片段训练集；然后对样本片段训练集进行白化处理，训练完成后，再将振动信号xⁱ无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征，作为样本的局部特征，再将局部特征等权加和，作为该振动信号的样本特征，过程如下：2.1)首先确定网络输入维数N_in和输出维数N_out，从振动信号中随机可重叠地取N_s个数据段，组成样本片段训练集其中，是第j个样本片段，且包含N_in个数据点；将样本片段训练集写成矩阵形式为对S进行白化处理，得到白化后的训练矩阵S_white；2.2)利用上述得到的训练矩阵S_white训练稀疏滤波网络，具体如下：训练矩阵S_white由白化样本片段集组成，任意选取初始权值矩阵W，白化样本片段与权值矩阵W内积得到局部特征即${\hat{f}}^j=W^T{S}_{white}^j$将各局部特征按列组合成局部特征矩阵首先，利用‑正则化方法对局部特征矩阵的行向量进行正则化，即${\tilde{f}}_l={\hat{f}}_l/\left|\right|{\hat{f}}_l|{|}_2$其中，l表示矩阵的第l行；然后，通过‑正则化方法对的列向量进行正则化，即$f^i={\tilde{f}}^i/\left|\right|{\tilde{f}}^i|{|}_2$其中，i表示矩阵的第i列；最后，通过最小化代价函数训练稀疏滤波网络；2.3)将振动信号分割成J段不可重叠样本片段，且J＝N/N_in，其中，N_in是稀疏滤波网络输入维数，即振动信号xⁱ被分割为一个样本片段集为第j个样本片段，将每个输入训练完成的稀疏滤波网络，得到样本局部特征然后将各局部特征赋权值为1/J并加和，得到xⁱ的样本特征fⁱ，即$f^i={\left(\frac{1}{J}\underset{j=1}{\overset{J}{\Σ}}{f}_j^i\right)}^T;$3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征，输入Softmax分类器，通过最大化该故障特征对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号xⁱ对应的健康状态，完成轮对轴承的智能故障诊断。