[发明专利]基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法

摘要

本发明公开了一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，提出一种改进的堆叠降噪自编码网络SDAE轴承故障诊断方法，利用粒子群算法PSO对SDAE网络超参数如网络的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft‑max分类器中进行故障分类识别；本发明不仅具有较好的特征学习能力，而且相较与普通的稀疏自编码器学习的特征更加具有鲁棒性，并且通过粒子群算法优化降噪自编码深度网络结构的超参数，构建了具有多隐含层的SDAE诊断模型，从而最终提升故障分类的正确率。

主权项

一种基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法，其特征在于，所述方法利用粒子群算法PSO对SDAE网络超参数的隐含层节点数，稀疏参数，输入数据随机置零比例进行自适应的选取，来确定SDAE网络结构，据此得到故障状态的高层特征表示，输入到Soft‑max分类器中进行故障分类识别；该方法包括以下步骤：步骤1：对混合工况下的滚动轴承的原始振动信号预处理，采用去趋势项，五点三次平滑法对采集的时域信号预处理；步骤2：提取经过预处理后的轴承振动信号的14个时域特征、4个频域特征，并对特征集进行线性归一化处理；步骤3：把预处理后的每一类特征集按照一定比例随机分为训练集和测试集；步骤4：确定粒子群的种群个数N，最大迭代次数M，和合适的目标分类错误率error；步骤5：根据每个粒子的给定的位置和速度范围，初始化粒子的位置Xik＝0和速度Vik＝0；步骤6：将训练特征集输入到SDAE网络模型中，计算每个粒子的适应度值(错误分类率)，同时找出历史记录的单个粒子最优Xkpbest和整个粒子群的最优Xkgbest；步骤7：更新每个粒子的速度和位置，判断条件gbeset<error或k>M是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自编码网络超参数，否则转到第6步，k＝k+1，循环执行第6，7步，直到满足判别条件，退出循环；步骤8：把测试集输入到优化后的SDAE网络，得到轴承故障状态的分类结果。