[发明专利]基于DCAE与最大均值差异的滚珠丝杠健康评估方法

权利要求书

1.一种基于去噪卷积自编码器与最大均值差异的滚珠丝杠健康评估方法，其特征在于，通过采集滚珠丝杠在正常性能下工作时的信号以生成训练样本对去噪卷积自编码器进行训练，将训练样本输入训练后的去噪卷积自编码器得到基线特征，通过采集待评估滚珠丝杠的工作信号并生成待评估样本，经训练后的去噪卷积自编码器提取得到样本特征；再根据基线特征与样本特征的最大均值差异值映射为待评估滚珠丝杠的健康值；

所述的采集正常性能下工作时的信号是指：通过安装在滚珠丝杠上的振动传感器采集正常性能下的滚珠丝杠在稳定连续工作时的振动信号，进一步将其划分为多个信号样本用于模型训练；

所述的振动传感器根据布置于丝杠螺母和滚珠丝杠两端轴承座；采集到的振动信号至少包含一个振动方向。

2.根据权利要求1所述的基于去噪卷积自编码器与最大均值差异的滚珠丝杠健康评估方法，其特征是，所述的划分是指：将采集到的多个通道的振动信号合并组成多通道信号用于后续处理，并将振动信号按一指定的样本长度N划分为多个信号样本，样本长度N包含至少0.1秒信号已保证足够的信息，但不多于1秒信号以避免重复信息降低计算效率。

3.根据权利要求1所述的基于去噪卷积自编码器与最大均值差异的滚珠丝杠健康评估方法，其特征是，所述的去噪卷积自编码器，包括：一个编码器和一个解码器，对输入信息进行表征学习，其中：编码器将输入空间映射到特征空间，再由解码器映射回输入空间，使得重构误差尽量小从而学习到输入所包含的最有效信息。

4.根据权利要求3所述的基于去噪卷积自编码器与最大均值差异的滚珠丝杠健康评估方法，其特征是，所述的编码器依次包括噪声层和与之相连的多个依次交替连接的一维卷积层和批归一化层，其中：噪声层对输入信号添加随机噪声以提高编码器的去噪能力；噪声层随机将信号中一定比例的点置零，而训练自编码器重构原始信号，以此可提高编码器学习特征的鲁棒性；一维卷积层对输入序列进行一维卷积操作得到输出序列，批归一化层对训练过程中每批次样本进行归一化操作以加速训练；

所述的解码器包括：多个依次交替连接的一维反卷积层和批归一化层，其中：一维反卷积层先在输入中的相邻元素之间添加s-1个零元素，然后再执行正常的一维卷积运算；解码器中的批归一化层与编码器中的批归一化层执行相同的运算，其中：s为反卷积步长。

5.根据权利要求4所述的基于去噪卷积自编码器与最大均值差异的滚珠丝杠健康评估方法，其特征是，所述的一维卷积操作具体为：当一个滑动卷积核的时间步长为l，输入序列有d个通道，则一维卷积层的一个卷积核为一个有ld个元素的一维向量v∈R^ld×1，在每一步中，将卷积核对应位置的输入序列[x_i，x_i+1，...，x_i+l-1]^T∈R^l×d先进行拼接，具体为：其中：X_i∈R^ld×1为拼接后形成的一维向量，表示拼接运算；之后一维卷积运算的结果可通过点乘运算得到，具体为：o＝v^TX_i+b，其中：b为偏置参数向量。

6.根据权利要求4所述的基于去噪卷积自编码器与最大均值差异的滚珠丝杠健康评估方法，其特征是，所述的批归一化操作具体为：其中：x^(k)为前一层的输出，E[·]表示均值，Var[·]表示方差，γ^(k)和β^(k)都是网络将学习的参数。