[发明专利]结合压缩数据采集和深度学习的智能转轴故障诊断方法

摘要

本发明公开了结合压缩数据采集和深度学习的智能转轴故障诊断方法。涉及旋转机械系统、深度学习等领域，该方法是一种新型的旋转机械故障识别智能诊断方法，采用了非线性投影实现压缩采集，不仅减少了包含所有故障信息的测量数据量，而且实现了变换域的自动特征提取。为了探索隐藏在采集数据中的区分，建立了基于堆叠稀疏自动编码器的深度神经网络，使用无监督学习过程，再进行监督微调过程。因为压缩采集的重要性，提供了关键因素的影响并与传统方法进行了比较。利用滚动轴承的数据集验证了该方法的有效性，分析表明，该方法能够获得较高的诊断精度，优于现有方法。该方法减少了对人工和专业知识的需求，并提供更容易处理海量数据的新策略。

主权项

1.结合压缩数据采集和深度学习的智能转轴故障诊断方法，其特征在于，所述方法包括以下步骤：步骤一：特征提取和选择：其目的在从原始信号中提取代表性特征，首先从测量的时域信号中提取有效特征，并且，在选择敏感特征时，采用了一些降维策略，既影响了诊断结果，又影响了计算效率。通过主成分分析、距离评价技术、特征判别分析等降维策略，将特征选择应用于敏感特征的选择，利用变换域投影实现压缩传感(CS)域数据采集，实现故障信号采集；步骤二：所述步骤一中得到的特征，建立了一种基于堆叠稀疏自编码器(SSAES)的DNN算法，用于挖掘测量数据中隐藏的连接，建立采样信号与轴承故障条件之间的复杂映射。研究了DNN的构造和参数的影响，特别是一些关键参数对识别精度和时间的影响，有助于实现DNN的压缩采集和设计；步骤三：智能诊断：因为轴承振动信号是稀疏和可压缩的，根据CS理论，随机高斯矩阵用于实现变换域投影，故障信号以适当的压缩率映射到低维空间，便于对包含重要故障信息的收集数据进行显着压缩。这些少量的“原始数据”包含大部分有用信息，可以将其视为特征表示。通过将压缩数据输入到堆叠有多个SAE的DNN中并使用强大的特征学习能力，可以实现故障特征的自动提取和健康状况的智能诊断；步骤四：经过步骤三的处理不能够达到很好的检测性能，通过深度学习压缩样本来初始化DNN的所有隐藏层，并且通过预训练获取数据中包含的一些先验信息。在使用BP算法进行微调并区分输入后，神经网络可以收敛到更好的局部极值。因此，在机械健康状况和压缩采样数据之间建立复杂的非线性映射；步骤五：完成高精度的自动特征提取和健康状况的智能诊断。对现有的故障诊断方法，如支持向量机(SVM)和反向传播神经网络(BPNN)进行了比较，采用旋转机械数据集验证了该方法的有效性。