[发明专利]一种基于故障特征多相关性的旋转机械故障诊断方法

说明书

本发明公开了一种基于故障特征多相关性的旋转机械故障诊断方法，包括步骤：1.训练样本数据预处理：采用已收集的旋转机械故障信号作为训练样本，将其预处理成算法需要的矩阵形式。2.训练权值矩阵：在稀疏滤波算法中加入基于故障特征多相关性的正则化项组成改进的稀疏滤波算法，并用训练样本进行训练。3.训练Softmax特征分类器：采用Softmax特征分类器对稀疏滤波提取的特征进行分类，由此可对旋转机械故障信号实现故障诊断。本发明对于旋转机械故障诊断领域的适应性强，能有效提高诊断准确率。

技术领域

本发明属于振动信号智能故障诊断技术领域，涉及一种基于故障特征多相关性的旋转机械故障诊断方法。

背景技术

随着大数据时代的到来，基于设备振动信号的故障诊断方法，已经由传统的信号处理方法转变为深度学习方法。应用深度学习进行智能故障诊断的步骤一般是通过非监督学习算法训练出能够提取样本特征的权值矩阵，然后通过监督学习算法进行对权值矩阵提取的样本特征进行分类。然而，许多非监督特征学习算法非常难以实现，因为其需要对各种参数进行调节。一旦这些参数没有设置好，则学习到的特征很有可能导致一个很差的诊断准确率。这些算法包括稀疏玻尔兹曼机、稀疏自动编码器、稀疏编码、独立成分分析等等。这些算法的可调参数例如稀疏玻尔兹曼机就有多达六种参数需要调节。

目前，有一种非监督特征学习框架理论方法称作稀疏滤波，它只专注于优化学习特征的稀疏性而忽视学习数据的分布情况，同时它对输入维数的尺度表现很完美且只有一个特征参数需要调节，因此稀疏滤波很容易调节又很容易通过几行MATLAB代码实现。用这种理论采用稀疏滤波进行图像识别和语音分类，都可产生较好的效果。在这种方法中，为保证特征的稀疏性，往往需要对权值矩阵进行正则化处理。现有的正则化方法，其原理是泛化地针对权值矩阵本身的稀疏性进行优化，而不是针对故障诊断方面的特点设计的。因此在故障诊断领域应用效果往往不理想，尤其体现在故障诊断结果准确率低。

发明内容

本发明目的是针对现有技术存在的缺陷，提供一种基于故障特征多相关性的旋转机械故障诊断方法，其适应性强，能有效提高转机械故障的诊断准确率。

解决上述现有技术问题的本发明技术方案如下。

本发明的一种基于故障特征多相关性的旋转机械故障诊断方法，其特征是，该方法包括以下步骤：

步骤1.训练样本数据预处理：采用已收集的旋转机械故障信号作为训练样本，将其预处理成算法需要的矩阵形式；

步骤2.训练权值矩阵：在稀疏滤波算法中加入基于故障特征多相关性的正则化项组成改进的稀疏滤波算法，并用训练样本进行训练；

步骤3.训练Softmax特征分类器：采用Softmax特征分类器对稀疏滤波提取的特征进行分类，由此可对未知的旋转机械故障信号实现故障诊断。

进一步地，步骤1中训练样本数据预处理的实现过程为：

将M个带有标签的训练样本随机分为N_s段，每段含有N_in个训练样本点；即训练样本xⁱ被划分成形式，堆叠表示成矩阵形式是即N_in行N_s列矩阵；将所有训练样本分段堆叠表示成矩阵即N_in行、N_s×M列矩阵；其中表示训练样本，yⁱ表示标签。

进一步地，步骤2中训练权值矩阵的实现过程为：

用S来训练加入基于故障特征多相关性的正则化项组成改进的稀疏滤波器，其正则化项的目的是为了消除提取的特征之间的多相关性；改进后的稀疏滤波器代价函数为其中特征fⁱ中的元素是通过权值矩阵的行向量与训练样本做内积进行提取的，即s_j为S中的一列，N_out为输出维数，即特征维数；通过优化代价函数，即可训练出权值矩阵W。