[发明专利]一种基于振动信号的旋转机械故障直接智能诊断方法

摘要

本发明公开了一种基于振动信号的旋转机械故障直接智能诊断方法，包括如下步骤：第一步，通过重叠取样层对已收集的故障信号进行取样；第二步，通过卷积层对样本进行分段；第三步，通过训练数据来训练L3/2正则化后的稀疏滤波网络，并获得权值矩阵，通过权值矩阵及新的激活函数来提取数据段的故障特征；第四步，通过池化层对计算得到的分段的特征进行池化降维；第五步，池化后的特征对输出层即Softmax分类器进行训练，对提取的各个样本的特征进行分类；第六步，将故障信号输入训练好的网络进行诊断。本发明的基于振动信号的旋转机械故障直接智能诊断方法实现特征自动提取和对故障信号直接智能诊断，泛化能力更好，准确率和稳定性较高。

主权项

1.一种基于振动信号的旋转机械故障直接智能诊断方法，其特征在于，包括如下八个步骤：步骤一，获得原始时域振动信号，原始时域振动信号作为输入，其中是一类故障在一种故障下的信号，N为每个信号中数据点个数；M为不同故障总类别数；i为表示第i个故障类型，lⁱ为每个类别故障的故障类型标签；步骤二，重叠采样，在重叠取样层对原始信号进行取样，采样卷积步长为n‑N_in，其中N_in为分段的长度，n为样本的长度，采样得到每个训练样本其中表示第i个类别的第j个样本，R^n×1表示一个n维的向量；步骤三，卷积分段，在卷积层对样本进行重叠分段，使用两种卷积步长来得到稀疏滤波网络训练的分段数据集1即和计算局部特征的分段数据集2即s^k，x^k为分段，长度为N_in；N₁,N₂分别为分段数据集1和分段数据集2中分段的数目；步骤四，训练改进稀疏滤波，在局部层通过对改进稀疏滤波网络进行无监督训练，得到训练好的权值矩阵1，即其中N_out为输出的特征维数，其中改进稀疏滤波训练时使用的激活函数1如式(1)所示，其中为W_loc的j行；sⁱ为分段数据集中第i个分段，步骤五，计算局部特征，在局部层计算得到训练分段数据集2即的局部特征，使用上述训练好的改进稀疏滤波网络中的权值矩阵1，对激活函数2进行计算，激活函数2如式(2)所述，其中是第i个样本的第j个分段，是第i个样本的第j个分段的第k个特征；步骤六，池化局部特征，在池化层对上述计算得到的局部特征进行池化，池化使用均方差池化方式，计算过程如式(3)所示，是第i个样本的所有分段的第k个维度的特征，经过池化后得到的为第i个样本的第k个维度的平移不变特征，第i个样本的所有平移不变特征可以表示为步骤七，训练Softmax分类器，在输出层通过步骤六池化得到的特征对有监督的输出层网络即Softmax分类器进行训练；步骤八，故障诊断，将测试的振动信号输入网络，使用卷积步长d2对信号进行卷积得到分段数据集3，再经过局部特征计算与RMS池化，以及经过训练的Softmax分类器判断故障类型。