[发明专利]基于Stacked SAE深度神经网络的轴承故障诊断方法

摘要

本发明涉及一种基于Stacked SAE深度神经网络的轴承故障诊断方法，网络的第一层用于轴承故障的定性判断，即判断故障类型，网络的第二层用于轴承故障的定量判断，即判断故障的严重程度。本发明结合经验模态分解(EMD)和自回归(AR)模型作为原始轴承信号的预处理，提取AR模型参数作为网络的输入，大大降低网络的输入维度，有利于简化计算，加快网络的训练以及测试。此外，本发明所基于的深度神经网络能对输入进一步自动提取特征并且自动定性、定量化判断轴承故障，在确保本发明诊断精度的同时降低对信号处理专业知识的依赖，无需人工判断，减少人力的消耗，在大数据时代，更加具有实用价值。

主权项

1.一种基于Stacked SAE深度神经网络的轴承故障诊断方法，其特征在于，包括步骤：步骤1：结合EMD分解和AR模型，对采集到的原始轴承振动信号提取AR模型参数作为网络的输入；步骤2：根据堆叠稀疏自动编码器，构建两层的层次化故障诊断深度神经网络，第一层用于定性判断故障类型，第二层用于定量判断故障大小，输入训练样本集，通过反向传播优化算法得到每一层的Stacked SAE的网络参数；步骤3：将测试样本集输入到已训练好的深度神经网络诊断模型，通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小；所述步骤1包括：步骤1.1：对采集到的原始非平稳的轴承振动信号s(t)进行EMD分解，将其分解为有限个平稳的IMF分量，表示为：其中，ca(t),a＝1,2…m代表原始轴承信号经过EMD分解得到的m个平稳的IMF分量，这m个IMF分量分别包含从高频到低频的频率成分，rm代表分解后的残余项；步骤1.2：若采集到的故障信号包含B种类型，任选每种类型中的一个信号，设其各自经过EMD分解得到的第一个IMF分量的离散值用序列表示为c1z(t)，z＝1,2,…B，且长度均为N，对每个c1z(t)建立AR模型表示为：其中，p_z(z＝1,2,…B)代表各个AR模型的阶数，a_zk(k＝1,2…p_z)代表各个模型的p_z个自回归系数，w_z(t)代表各个模型的拟合残差，是均值为0，方差为的白噪声序列；步骤1.3：利用最终预测误差准则，来确定AR模型的最佳阶数，当准则取最小值时的阶数pz为各个AR模型的最佳阶数，FPE准则表示为：取pz(z＝1,2,…B)中的最小值作为所有轴承信号的任一IMF分量建立AR模型的标准模型阶数，并记为P；步骤1.4：确定各个AR模型的标准模型阶数P之后，每个AR模型的系统函数均表示为：Y＝XA+W，其中：Y＝[cP+1 cP+2 … cN]T，A＝[a1 a2 … aP]T，W＝[wP+1 wP+2 … wN]T，然后利用最小二乘法求解AR模型的自回归系数A，表示为：A＝(XTX)‑1XTY，方差可用自回归系数表示为：原始信号经过EMD分解得到的前4个IMF分量，每一个IMF分量所得到的AR模型参数，包括自回归系数以及方差表示为一个P+1维的向量ARPe：对任意一个原始轴承振动信号，将其前4个IMF分量的AR模型参数转换成特征向量x作为模型的输入，表示为：