[发明专利]基于稀疏编码器和支持向量机的滚动轴承故障诊断方法

摘要

一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，采用基于层叠稀疏自动编码器的深度学习自主认知的方法，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，自动挖掘出隐藏在已知数据中的丰富信息；采用深度学习提取特征并将两层学习到的特征综合到一起构成支持向量机的输入，通过支持向量机分类从而可以判断滚动轴承的工作状态和故障类型。本发明方法能提高故障特征提取效率和准确率。

主权项

1.一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，其特征在于，所述诊断方法包括以下步骤：步骤1，以滚动轴承的原始振动数据作为输入样本，采用小波去噪，去除干扰噪声然后对去噪后得到的滚动轴承振动数据进行快速傅里叶变换得到新的轴承振动频谱信号X；步骤2，通过线性归一化方法，对轴承振动频谱信号X进行归一化处理后得到轴承振动频谱信号X1；步骤3，将轴承振动频谱信号X1输入SSAE模型，对滚动轴承特征进行深度学习；其中，SSAE模型是多个稀疏编码器(Sparse Auto Encoder,SAE)叠加，第一级稀疏编码器的输出作为第二级稀疏编码器的输入，第二级稀疏编码器的输出作为第三级稀疏编码器的输入，以此类推；通过对数据的逐层学习完成DNN网络预训练，然后通过带标签的样本使用BP算法以误差最小化为原则自上向下传输完成DNN网络的微调；步骤4，将步骤3中提取到的两层特征综合到一起构成支持向量机的输入，以粒子群算法对支持向量机的参数进行优化，通过训练样本对支持向量机进行训练，然后使用训练好的支持向量机对测试样本进行测试，完成对滚动轴承的故障诊断。