[发明专利]稀疏自编码滚动轴承故障诊断方法

权利要求书

1.一种稀疏自编码滚动轴承故障诊断方法，其特征在于：其具体包括以下步骤：

S1、采集滚动轴承健康状态以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障的振动数据，各自进行分割截取，构建数据样本集，通过压缩感知分别将数据样本集中每种振动数据进行线性投影，并将各线性投影后的低维压缩信号合并成多故障类型的低维压缩信号矩阵，具体为：

截取滚动轴承健康状态下的长度为N的振动信号，记为x，看作R^N中N×1列向量，x∈R^N在某个正交基Ψ上的变换系数是稀疏的或可压缩的，并且Ψ可以展开成一个标准正交基Ψ＝[ψ₁,ψ₂,...,ψ_N],如下式：

其中，a是x序列的系数，

信号x在测量矩阵Φ∈R^M×N，M＜＜N，进行线性投影得到线性压缩值y∈R^M，y的维度为M×1，其中M＝N×C，C表示压缩率，线性投影过程由下式表示：

y＝Φx

选取随机高斯矩阵作为测量矩阵，其中i＝1…M,j＝1…N，这个过程为信号的线性测量，得到的y为健康状态轴承振动信号经压缩采集的低维压缩值；

依次截取滚动轴承的轻微内环故障x₁、严重内环故障x₂、轻微外环故障x₃、严重外环故障x₄、轻微滚动体故障x₅和严重滚动体故障x₆的振动信号，并分别进行如上线性投影过程，得到各故障状态下的低维压缩信号分别表示为：y₁、y₂、y₃、y₄、y₅、y₆；

S2、确定多故障类型的低维压缩信号矩阵的小波包能量熵，形成轴承故障诊断的特征向量矩阵，具体为：

先将低维压缩信号y和进行L层小波包分解得到小波包分解序列以及低维压缩信号的频带能量占比数组，利用MATLAB中确定小波包能量熵函数wppower，其调用格式为：

H＝wppower(Y，L)，设置小波包分解层数为L，L为正整数，H是频带能量熵矩阵；

用健康状态的小波包能量熵H以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障状态的低维压缩信号y_i，i＝1…6，的小波包能量熵矩阵H_i，i＝1…6，构成特征向量矩阵train_x；

依次截取滚动轴承与步骤S1不同段但长度均为N的健康状态X、轻微内环故障X₁、严重内环故障X₂、轻微外环故障X₃、严重外环故障X₄、轻微滚动体故障X₅、严重滚动体故障X₆的振动信号，重复步骤S1和步骤S2得到小波包能量熵矩阵h、h_i，i＝1…6，构成的特征向量矩阵test_x；

S3、将滚动轴承的多故障类型下的特征向量矩阵输入到稀疏自动编码器中进行训练，进一步提取输入层到隐含层的权重作为特征矩阵；

S4、将稀疏自编码神经网络提取到的特征通过神经网络分类器进行分类，完成对滚动轴承的故障诊断分类，具体方法为：

S41、构建稀疏自动编码器，所述稀疏自动编码器为加入了惩罚因子的自动编码器，所述惩罚因子为

其中，c为隐藏层神经元的数目，p为稀疏性参数，为隐层单元节点的平均激活值，

上述表达式也能表述为

式中，是以p为均值和为均值的两个伯努利随机变量之间的相对熵，其有如下性质，当时，相对熵为0，当p和差距增大时，相对熵单调递增，所以通过最小化相对熵来达到稀疏限制的目的；

S42、设置滚动轴承健康状态、内环故障、外环故障以及滚动体故障四种工作状态的标签向量，稀疏自编码神经网络的输入为轴承低维压缩信号的小波包能量熵特征矩阵train_x，输出为滚动轴承四种工作状态的标签向量以及诊断准确率，其中(1,0,0,0)对应健康状态，(0,1,0,0)对应内环故障，(0,0,1,0)对应外环故障，(0,0,0,1)对应滚动体故障；

S43、将滚动轴承健康状态、轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障七种状态的特征向量矩阵train_x作为输入，将相应的标签向量作为目标矩阵，对稀疏自编码神经网络进行训练，调节稀疏自编码神经网络的各个参数，以得到最高的诊断准确率，保存训练好的神经网络作为识别网络模型，待诊断的轴承振动数据在经过压缩感知的线性投影和确定小波包能量熵特征向量矩阵之后得到test_x，输入到稀疏自编码神经网络模型内进行诊断分类，得到最高的诊断准确率的稀疏自编码神经网络的各个参数如下所示：

隐含层激活函数设置为sigm；

学习率变化因子设置为2；

权值动量因子设置为0.5；

Dropout Fraction设置为0.005；

L2范数约束项设置为0；

非稀疏惩罚设置为0.05；

稀疏目标值设置为0.05。

2.根据权利要求1所述的稀疏自编码滚动轴承故障诊断方法，其特征在于：步骤S3的具体步骤为：由步骤S2得到的轴承低维压缩信号的小波包能量熵特征向量矩阵train_x输入到稀疏自动编码器的深度神经网络，调节神经网络参数，使用稀疏自动编码器对train_x进行预训练，生成权值和阈值，实现深度神经网络权重初始化，然后使用带标签数据输入网络，利用BP算法以误差最小化为原则自上而下传输，对完成初始化的稀疏自动编码器实现整体微调，之后将无标签数据输入稀疏自动编码器，进一步提取输入层到隐含层的权重作为特征矩阵。