[发明专利]一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法

说明书

本发明公开了一种基于SDAE‑RCmvMSE的机械故障监测诊断系统建立方法，首先通过n个振动传感器采集设备的振动信号，通过采集到的不同工况下的数字信号训练诊断模型中的SDAE模型，获取SDAE模型的最优参数；提取采集到的数字信号的RCmvMSE值，以此来训练SVM分类器，获取SVM的最优参数；将SDAE、RCmvMSE和SVM部署到嵌入式工控一体机中，完成故障诊断模型部署，即可投入现场使用。通过本发明建立的诊断模型，故障识别准确率高，容错性能好。

技术领域

本发明属于机械故障检测领域，涉及一种基于深度学习的故障检测系统，具体涉及一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法。

背景技术

机械设备中应用最多的是旋转机械零部件，其故障也是较为常见的。对机械设备的故障进行实施监测并准确诊断对保障设备的正常运行具有重要意义。由于实际环境中机械设备的故障类型比较复杂，其振动信号往往出现非稳态和非线性的特征。通过传统的时频分析方法难以进行故障的准确诊断。

常用的非时频分析方法有分形法、样本熵、排列熵、多尺度排列熵、复合多尺度散布熵、多尺度样本熵和精细化复合多尺度散布熵等。分形法、样本熵和排列熵都是基于时间序列的单一尺度分析方法，没有考虑多个时间尺度下的非线性动力学。获取时间序列的特征能力较为有限，无法反映较为复杂特征。多尺度排列熵、复合多尺度散布熵和精细化复合多尺度散布熵属于多尺度分析方法，能够获取时间序列较为复杂的信号特征，因此多尺度分析方法在故障诊断领域应用较为广泛且取得不错的效果。但多尺度样本熵在长时间序列上面，有着计算速度慢、受突变信号影响较大且实时性差，在应用于实际生产环境中存在天然缺陷。ROSTAGHI等提出了散布熵算法，该算法计算速度快且受突变信号影响较小，将其分析生物信号取得了较好的稳定性和更快的计算速度。AZAMI在散布熵的基础上提出的精细化多尺度散布熵算法，在生物信号的特征提取效果、对突变信号的敏感程度以及计算速度等方面具有一定优势，但是在多变量时序信号中仍存在不足。

深度学习是近几年发展较为迅速的一种故障检测方法，其在故障诊断的准确性和泛化性能得到了巨大提高。Vinvent等在Bengio等提出的堆叠自动编码器(Stack AutoEncoder，SAE)基础上引入噪声而形成了SDAE算法。该算法能够从含有噪声的数据中恢复出近似无噪数据,同时也可以提取出深层特征。

鉴于RCMDE算法在提取非线性动力学特征方面的特长，以及SDAE在去噪能力方面的优点，本发明提出将SDAE和精细复合多变量多尺度样本熵(Refined Compositemultivariate Multiscale Sample Entropy,RCmvMSE)结合的机械设备诊断新方法(SDAE-RCmvMSE),采用SDAE去除机械设备振动信号中的噪声，然后使用RCmvMSE提取熵值特征，最后通过SVM对故障进行分类，进而确定设备的故障类型。

发明内容

本发明的目的是为了解决机械设备振动信号平稳性差和实际作业环境中信号噪声较大难以提取信号特征的问题，以便更加精准地提取实际工况中机械设备的非线性特征。将精细复合多尺度散布熵引入到机械设备的故障非线性特征提取，在此基础上提出一种基于多变量堆叠自动编码器(SDAE)与精细复合多尺度散布熵融合的机械设备故障监测系统及其诊断方法。应用时以实际生产环境中机械设备的振动信号作为输入，经SDAE过滤噪声获得去除噪声后的信号，由多变量精细复合多尺度散布熵进行无噪数据的特征提取，最后由支撑向量机完成待监测设备的故障诊断。

为了解决上述技术问题，本发明采用的技术方案如下：

一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法，其特征在于，包括以下步骤：