[发明专利]基于稀疏自编码器和Softmax的轴承故障诊断方法及系统

权利要求书

1.一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1、采集滚动轴承不同运行状态下的时域振动信号，并根据时域振动信号构建无标签训练集和有标签训练集；

步骤2、对无标签训练集和有标签训练集进行预处理；

步骤3、根据预处理后的无标签训练集构建局部稀疏自编码器模型并训练；

对原始稀疏自编码器隐层节点的输出采用ReLU函数进行激活得到激活响应，之后通过计算余弦相似度保留激活响应的前k个分量作为解码器的输入，从而得到局部稀疏自编码器模型；

所述局部稀疏自编码器的建模方法具体如下：

在原始稀疏自编码器的基础上，令为矩阵的列向量，为变换矩阵，通过对矩阵W的每一列w⁽ⁿ⁾做归一化，得到归一化后的矩阵在ReLU函数的映射s(x)＝max(0,x)下将每一个M维振动信号x^(l)变换成其对应的特征表征z^(l)，之后选择特征表征余弦相似度最大的前k项作为译码器的输入；

选择前k项的方法具体如下：

首先，通过计算每个样本x^(l)在W中的余弦相似度，得到输入信号x^(l)在W中的向量投影，计算公式如下：

然后，选择样本x^(l)的前k个近邻激活单元，即z^(l)的余弦相似度最大的前k项保留为其他激活单元都置为0，具体计算公式如下：

步骤4、将步骤2预处理后的有标签训练集输入至局部稀疏自编码器模型中，局部稀疏自编码器模型输出振动信号的特征表征；

步骤5、利用振动信号的特征表征训练Softmax分类器，然后采用训练后的局部稀疏自编码器模型和Softmax分类器确定振动信号对应的故障类型。

2.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，步骤2中无标签训练集和有标签训练集的预处理包括训练集的标准化、数据分片和ZCA白化处理。

3.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，步骤3中局部稀疏自编码器模型的代价函数包括重构误差和正则项，所述局部稀疏自编码器的模型公式如下：

其中，E₁(W)为样本重构误差，E₂(W)为正则项，λ＞0用来平衡E₁(W)和E₂(W)的正则项参数。

4.根据权利要求3所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，所述重构误差E₁(W)的表达式如下：

其中，L为样本数量，x^(l)为M维样本，W为权重矩阵，z^(l)为样本的特征表征，b_d输出层偏置项。

5.根据权利要求3所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，所述正则项使用l₁范数来替代原始稀疏自编码器的KL散度，具体表达式如下：

6.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法，其特征在于，所述步骤5中Softmax分类器的训练方法如下：

对特征表征进行平均池化，采用平均池化后的特征表征和对应的标签训练Softmax分类器；

所述Softmax激活函数为

则代价函数计算公式如下：

其中，c为故障类别，θ为Softmax分类器权重矩阵，p(y^(j)＝c|a^(j)；θ)为故障为c类别的概率，在[0,1]区间内，使用梯度下降算法最小化代价函数，得到训练后的Softmax分类器。

7.基于权利要求1-6任一项所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法的系统，其特征在于，包括，

信号采集模块，用于采集滚动轴承不同运行状态下的时域振动信号，并根据时域振动信号构建无标签训练集和有标签训练集；

预处理模块，用于对无标签训练集和有标签训练集进行预处理；

特征提取模块，对于已经进行数据预处理的原始信号，使用训练好的局部稀疏自编码器模型对信号进行特征提取并进行平均池化后，将信号对应的特征表征输入到Softmax分类器模块。

Softmax分类器模块，特征提取模块提取到的特征作为Softmax分类器模块的输入，对于已经训练好的Softmax分类器可以直接确定振动信号对应的故障类型。