[发明专利]一种自适应深度置信网络滚动轴承故障诊断方法

权利要求书

1.一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤 1：电动机驱动端的轴承座上方放置一个加速度传感器用来采集故障轴承的振动加速度信号，振动信号由16通道数据记录仪采集得到，其采样频率为12kHz，工作功率和轴承转速通过扭矩传感器测得；

步骤 2：首先明确深度置信网络基本理论以及影响它本身分类效果的设计参数；

步骤 3：SSA的基本理论描述和算法参数设置；

步骤 4：将获得的数据分成训练样本和测试样本，结合最小批随机梯度下降法和无监督学习方法对DBN进行预训练，将自适应动量规则导入到DBN的每一个RBM中，构成SADBN训练模型；

步骤 5：将上述模型与SSA优化方法结合，能够快速找到最佳的深度网络结构，然后利用BP和共轭梯度下降法进行微调网络参数，实现最优模型；

步骤 6：把训练样本和测试样本分成一定比例，将测试集导入到已经训练好的SSA-SADBN模型中，根据神经网络的输出进行滚动轴承故障诊断。

2.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述深度置信网络（DBN）是一种概率生成模型，通过训练来更新其层与层之间的参数，提高神经网络输出精度；DBN也可以被看作是一种深层BP神经网络，它是由若干层受限玻尔兹曼机堆叠而成的深度神经网络架构；

RBM是深度置信网络基本构成，其本身结构网络共有2层，其中一层称为可视层，一般来说被称为输入层，另一层是隐含层，也就是特征提取层，可视层和隐含层的神经元之间的连接方式呈现为双向全连接。

3.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述SSA算法的思想是将种群分为两组：领导者和追随者；也就是说，一个母体领导着一群子代个体，子代种群彼此跟随；SSA的种群个体总数为N，个体位置是在D维搜索空间中定义的，D即为目标函数中变量的个数，各个变量的上下界分别为ub=[ub₁,ub₂,……,ub_D]和lb=[lb₁,lb₂,……,lb_D]；所有个体位置集合皆存储在矩阵X中。

4.根据权利要求3所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述SSA的核心思想是：首先初始化种群个体位置，然后将计算出的最优适应度值用来确定最优个体，将获得的最优个体作为领导者，最优个体位置作为食物源位置，这等同于在迭代过程中每一个食物源都记录了最佳位置，这使得追随者不会轻易陷入局部最优，提高了算法的收敛能力；以上参数设置为后续的滚动轴承故障诊断方法的应用提供依据。

5.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述RBM中的学习率η和动量因子ε皆为重要参数，它们皆影响着DBN的收敛速度和分类性能；标准DBN训练过程中，动量因子会被赋予一个固定的经验值，这会使得整个神经网络参数的自适应性和收敛性降低；

本方法标准RBM的基础上引入了一种自适应动量因子，类似于标准RBM，在每一次迭代时，利用迭代前后的累积重构误差作为评估标准—标准累积重构误差，即损失函数；它被定义为：

（18）

其中q为RBM的当前迭代次数，Q是RBM的最大迭代次数，是第i代第j批原始输入数据，是第i代第j批输入数据的重构状态。

6.根据权利要求5所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述该自适应动量策略被描述为：初始的动量因子，阈值；当累积重构误差随着迭代次数的增加而逐渐减少时，动量因子则会有某种程度的增加；当累积重构误差逐渐升高时，则动量因子会逐渐减小。