[发明专利]基于LCD与堆叠自动编码器的滚动轴承故障诊断方法

权利要求书

1.一种基于LCD与堆叠自动编码器的滚动轴承故障诊断方法，其特征在于，包括如下步骤：

步骤一、采集滚动轴承的原始振动信号S(t)；在采集滚动轴承的原始振动信号时，由驱动电机提供运转动力以依次带动行星齿轮箱与定轴齿轮箱运转，通过调节磁粉制动机的控制器设定齿轮箱的负载大小，当驱动电机转速逐步提升达到预设值并稳定之后，使用定轴齿轮箱端盖处的传感器采集滚动轴承的振动信号并输入信号采集器；

步骤二、所述原始振动信号S(t)预处理：将采集的原始振动信号S(t)使用LCD进行分解，使用极值符号序列分析方法延拓信号端点，记录每次分解的ISC分量；把分解得到的多个ISC分量重构为高低两个频率段，并使用傅里叶变转换将每个频率段分别转换为频域信号；其中，将采集的振动信号S(t)使用LCD进行分解的具体步骤为：

1)确定原始振动信号S(t)的极值点m_k、以及与所述极值点m_k对应的时刻t_k；其中，k＝1,2,…,M，M为极值点个数，且M为正整数；

2)根据公式(1)计算任意两个相邻的极值点之间的连线l_k在t_k时刻的函数值A_k，再根据公式(2)计算函数值A_k与t_k时刻的极值点m_k之间的差L_k，式中α的值取0.5；

L_k＝α*A_k+(1-α)m_k (2)

根据公式(3)采用三次样条函数拟合(t_k，L_k)得到均值曲线ml_i1，i为提取第i个ISC分量时拟合的均值曲线，然后将ml_i1从原始振动信号S(t)中分离；

S_i(t)＝S(t)-ml_i1 (3)

3)若S_i(t)满足ISC判据条件，输出S_i(t)并令ISC₁＝S_i(t)，S_i(t)是第一个ISC分量记ISC₁＝S_i(t)，并令i＝i+1，其中i为正整数；否则将S_i(t)代替原始振动信号S(t)，重复步骤1)、步骤2)直到S_i(t)满足ISC条件；

4)将ISC₁分量从原始振动信号S(t)中分离出来，得到一个新信号作为输入信号，重复步骤1)～步骤3)，得到ISC₂，ISC₃，…，ISC_n直到剩余信号单调或者剩余信号的能量与原始振动信号相比能够忽略不计；这样将原始振动信号S(t)分解为n个内禀尺度分量和一个残余项r(t)之和，即如公式(4)所示：

其中，ISC判据条件为：①整个数据段内，任意相邻的两个极值点符号互异；②数据段内极值点m_k对应的时刻为t_k，那么由任意两个相邻的极值点(t_k，m_k)、(t_k+2，m_k+2)确定的直线l_k在t_k+1时刻的函数值A_k+1与极值m_k+1比值关系不变；

步骤三、自编码网络结构设置与训练：首先，将重构后的高频域信号进行归一化处理后，输入自编码网络进行逐层训练并提取第一初步特征；其次，将重构后的低频域信号进行归一化处理后，输入自编码网络进行逐层训练并提取第二初步特征；最后，将第一初步特征和第二初步特征进行拼接后输入堆叠自编码网络并通过Softmax分类器进行分类，根据分类结果与原信号标签的差异对网络进行微调，以实现滚动轴承的故障诊断；在经第一初步特征和第二初步特征进行拼接后输入堆叠自编码网络进行训练并通过Softmax分类器进行分类的过程中，Softmax分类器会查看每种滚动轴承故障的真实状态，并与Softmax分类器的输出状态进行比较，如果误差超过预设值，则对所述堆叠自编码网络进行微调；针对滚动轴承故障诊断需求，设计堆叠自编码网络采用三个自动编码器和一个分类器组成的三层网络结构，三层自编码中AE1层有100个神经元、AE2层有100个神经元、AE3层有50个神经元，最后输入Softmax分类器；训练过程为通过输入信号x来训练AE1网络，得到网络输出h(x)；然后把h(x)作为AE2的输入训练AE2网络，再将得到网络输出h(h(x))作为AE3网络的输入进行训练，最后将AE3的输出h(h(h(x)))输入到Softmax分类器中，计算分类器输出与期望值的误差，利用BP反向传播算法微调整个网络的权值和偏置，经过多次迭代实现误差收敛，最终实现滚动轴承故障诊断；

步骤四、堆叠自编码网络诊断精度测试：网络训练完成后，输入测试数据对网络诊断效果进行验证；根据验证结果判断是否满足实际期望的诊断正确率；如果验证得到的诊断正确率过低则修正自编码网络，重复步骤三直到达到实际期望的诊断正确率，通过构建深层网络，并且使用梯度下降方法和反向传播算法进行网络训练，能够自适应的提取出故障的特征表示，使得对故障的分类更加准确，能有效诊断轴承健康状态。