[发明专利]一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法

权利要求书

1.一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法，其特征在于，包括以下步骤：

(1)振动信号采集，将振动加速度传感器放置在关键测点，分别测量滚动轴承在正常状态、内圈故障、外圈故障和滚动体故障状态下的振动信号数据；

(2)数据预处理，将采集的振动信号利用快速傅里叶变换进行时频转换；再将转换后的不同故障种类的频域信号数据整理成样本数据集，并划分成训练集和测试集；

(3)搭建非对称堆叠稀疏自编码模型并且初始化参数设置：利用两层串联的卷积层作为非对称堆叠自编码器的编码层，三层全连接层作为非对称堆叠自编码的解码层；同时在编码层后接一层全连接层和SoftMax分类器，形成半监督非对称堆叠稀疏自编码器结构；引入KL散度以约束编码层的稀疏性；

(4)在非对称堆叠稀疏自编码模型中引入数据特征损失对模型数据重构方向进一步约束，其中最近邻样本采用K最近邻算法计算获得；

(5)将训练集输入步骤(4)搭建完成的模型进行模型训练，同时采用动态权重方式优化总损失函数，并且根据梯度下降法迭代网络权值；

(6)根据设定的迭代步数进行批训练，每次训练抽取数量相同序号不同的批数据，当训练次数满足初始设定迭代步数时停止训练，并保存模型；

(7)将测试集输入至保存的模型中进行模型性能测试，输出诊断结果，实现滚动轴承的故障诊断。

2.根据权利要求1所述的一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法，其特征在于，所述步骤(2)所述数据预处理的过程包含对频域样本数据集进行线性归一化处理。

3.根据权利要求1所述的一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法，其特征在于，所述步骤(3)包括以下步骤：

(31)半监督非对称堆叠稀疏自编码器结构的损失函数由重构误差、交叉熵损失以及稀疏惩罚项构成；

(32)半监督非对称堆叠稀疏自编码器保留了自编码的无监督特点，自适应重构样本以提取样本特征，其重构误差损失L_AE表示如下:

其中，m为样本数，x_i为第i组输入样本数据，为第i组重构样本数据；

(33)构造稀疏自编码器，非对称堆叠稀疏自编码模型采用KL散度对网络进行稀疏度约束，避免网络过拟合，网络稀疏惩罚项L_KL为：

其中，N为隐藏层中神经元的个数，β为稀疏权重因子，为第j个神经元的平均激活程度，ρ是期望激活程度；

(34)非对称堆叠稀疏自编码模型引入真实标签y，构造半监督结构，采用交叉熵函数衡量预测标签的分类误差以增强网络分类性能，当样本数为m时，其交叉熵损失L_sem为：

其中，y_i是第i组样本的真实标签，为第i组样本的预测标签。

4.根据权利要求1所述的一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法，其特征在于，步骤(4)所述数据特征损失包含数据邻近聚合约束、数据远距分离约束以及数据最近邻整体约束；所述数据邻近聚合约束L_dk为：

其中，h(x)指非对称堆叠稀疏自编码的特征层，KNN(x,j)表示计算样本x在数据集中距离第j近的最近邻样本，MMD(A,B)表示计算样本A与样本B之间的最大平均差异距离；

所述数据远距分离约束L_dks为：

所述数据最近邻整体约束，分为距离约束以及方差约束；所述距离约束L_gd和方差约束L_gv分别为：

L_gd＝∑||h(x)-KNN(h(x),1)||²

L_gv＝||σ(h(x))-σ(KNN(h(x),1))||²

其中，σ(x)表示计算样本x的方差；

由此，数据特征总损失L_D为：

5.根据权利要求1所述的一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法，其特征在于，步骤(5)所述的动态权重方式如下：

μ＝u(L)＝c·L

其中，c是权重因子，μ作为损失项L的动态权重，随损失项L的大小而变化，确保该损失项在训练过程中的收敛性；

λ₁和λ₂是权重因子，非对称堆叠稀疏自编码模型的总损失函数L_sum表示如下：

L_sum＝λ₁L_AE+λ₂L_sem+L_KL+u(L_D)·L_D

其中，L_AE为重构误差损失，L_KL为网络稀疏惩罚项，L_sem为交叉熵损失，L_D为数据特征总损失。