[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

说明书

本发明公开了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，构建了一种半监督非对称堆叠稀疏自编码结构，采用卷积池化层作为编码器，全连接层作为解码器，增强网络模型的特征提取能力；同时采用半监督结构引入标签信息，改善自编码器的分类能力；在自编码器的基础上，考虑数据特征约束，通过最近邻样本约束类内聚合性和类间分离性，改善网络的特征提取性能；采用方差距离和最近邻样本距离约束特征器的特征重构方向，保证网络模型所提取特征的有效性；最后，一种动态权重用于动态优化训练过程，以保证数据特征约束的收敛度。本发明方法能够有效提取故障特征，取得良好的诊断精度，实现可靠的滚动轴承故障诊断。

技术领域

本发明属于机械部件智能故障诊断的技术领域，具体涉及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。

背景技术

滚动轴承作为旋转机械中的关键零部件，其工作状态和健康状况备受关注。由于高速旋转机械的工作环境通常恶劣且复杂，滚动轴承在复杂工况下长时间工作容易产生故障，进而影响机械的整体运作。为了避免轴承故障对机械运行的安全性和稳定性产生重大影响，对滚动轴承进行健康监测和故障诊断十分必要。

近年来，故障诊断已经进入大数据时代，需要在海量数据中提取有用信息。而自编码网络是一种典型无监督网络，能够便捷地对数据进行特征降维，因此，该方法已经被广泛应用于轴承故障诊断研究中。然而，传统的自编码网络由于结构简单，面对多种复杂信号时其特征提取性能受到限制，实际应用中仍需在传统结构上加以改进。目前针对不同的应用需求，在传统自编码网络基础上已经产生了许多改进方案，但仍存在一些在实际应用时必须考虑的问题。

首先，由于机械结构的复杂性和相关性，故障信号特征存在交叉重叠，如何利用神经网络高效准确学习不同故障的特征是一个关键问题。其次，深度学习具有黑匣子特性，大部分智能诊断算法提取故障特征并未考虑样本数据的原数据特征结构，对训练过程中数据特征提取的方向是不可控的。第三，如何避免网络过拟合。这些问题給传统智能故障诊断算法带来了挑战。为此，本发明提出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。

发明内容

发明目的：本发明提出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，能够约束网络特征学习方向，提升网络特征提取能力，提高模型诊断准确率，实现可靠的滚动轴承故障诊断。

技术方案：本发明提供了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，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。

进一步地，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。