[发明专利]稀疏自编码滚动轴承故障诊断方法

说明书

本发明公开一种稀疏自编码滚动轴承故障诊断方法，其具体包括以下步骤：S1、采集滚动轴承的各故障状态下的原始振动数据，通过压缩感知分别将每种振动数据进行线性投影，并将各故障类型线性投影后的压缩信号合并成多故障类型的低维压缩信号矩阵；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；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、将稀疏自动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。本发明降低了诊断复杂度，缩短了诊断时间，同时也保证了较高的诊断精度。

技术领域

本发明属于滚动轴承故障诊断技术领域，涉及一种基于压缩感知与小波包能量熵的稀疏自编码滚动轴承故障诊断方法。

背景技术

滚动轴承是装备制造业的关键基础件和重要的旋转零件，被人们称为机械的关节。它具有效率高，摩擦阻力小，润滑易实现等优点，在旋转机械上应用十分普遍。然而滚动轴承也是旋转机械中最易发生故障的一个部件，据统计，其在各类故障中占有很高的比例，约达30％。轴承振动信号是非平稳、非线性的，噪声在现代工业中是复杂多变的，用传统的诊断方法来准确、快速地识别轴承故障越来越困难。因此，采用适当的智能诊断方法快速、准确地识别和诊断轴承故障具有重要的现实意义。

近年来，随着信号处理技术和人工智能的飞速发展，许多智能诊断方法，如支持向量机、人工免疫、盲源分离、主成分分析(PCA)、证据理论和信息融合等，得到了广泛的应用。在旋转机械故障诊断中的应用越来越受到重视。基于智能诊断的旋转机械故障诊断方法一般分为特征提取和故障分类两个步骤。WidoDo等人发现利用支持向量机进行特征提取，可以获得较高的故障分类精度。雷等人提出利用改进的距离评估技术提取最优特征，利用自适应神经模糊推理系统(ANFI)对故障进行分类。许等人提取最优特征后，利用改进的模糊ARTMAP(IFAM)识别不同的故障类型。何等人利用相关向量机(RVM)方法，建立了多级轴承的智能故障诊断模型。王等人使用可能性理论和部分线性化神经网络(PNN)来识别故障。李等人提出利用蚁群优化(aco)和无量纲症状参数(nsps)对早期轴承故障进行检测和分类。基于经验模态分解(EMD)、改进的规则匹配策略(IRMS)和故障决策表(FDT)，窦等人提出了一种便于移植的轴承故障诊断方法。基于小波包变换(WPT)和支持向量回归(SVR)，沈等人建议使用距离评估技术(DET)来减小特征空间的尺寸。丛等人提出了基于奇异值分解(SVD)的滑动矩阵(SM)构造方法，用于轴承故障特征提取和脉冲智能检测。基于符号聚合近似(SAX)框架，Georgoulas等人提出了一种新的轴承智能故障诊断方法，通过振动信号和由此产生的特征向量检测轴承故障。张等人提出了基于支持向量机和蚁群算法的振动信号同步特性选择和参数优化。基于双树复小波包变换(DTCWPT)和多分类器融合，Qu等人对该方法进行了研究，提出了一种旋转机械复杂故障的智能诊断方法。贾等人发现通过深度神经网络(DNN)可以建立有用的信息，从原始数据和近似复杂非线性函数中挖掘有用的信息，用于旋转机械的智能故障诊断。

虽然旋转机械的智能诊断方法有很多种，但仍有一些问题需要解决。首先，特征选择在很大程度上取决于诊断专家的工程经验。其次，由于机械结构的复杂性和相关性，轴承的故障类型往往不仅表现为单一故障，而且表现为复合故障。因此，掌握智能诊断技术，有效地提取故障特征是十分必要的。同样，需要掌握故障分类算法，并将其与特征提取算法相结合，以智能、准确地诊断故障。第三，当敏感特征空间维度较高时，用智能诊断算法对旋转轴承故障进行诊断需要较长的时间。因此，寻找一种适合于敏感特征空间的降维算法是当务之急。

发明内容