[发明专利]一种基于改进稀疏滤波的机械故障特征自动提取方法

摘要

本发明公开了一种基于改进稀疏滤波的机械故障特征自动提取方法，包括：1.将采集到的信号采样后作为训练样本,对采样到的时域样本进行快速傅里叶变换，将原时域信号样本转换成频谱样本，并对频域样本进行白化。2.使用白化处理的频域样本来训练改进的L1正则化的稀疏滤波，并通过训练提前终止策略来决定迭代次数以加快训练获得权值矩阵等参数，从而提取旋转机械振动信号的高维故障特征。3.使用前向传播，计算训练样本的特征。4.采用高维特征训练分类器，实现对提取的特征的自动分类。5.将设备采集得到的振动数据信号输入到训练好的网络，实现故障信号的特征自动提取。本发明的网络泛化能力强，训练速度快，故障诊断稳定且准确率高。

主权项

1.一种基于改进稀疏滤波的机械故障特征自动提取方法，其特征在于，包括以下步骤：步骤1.对原始振动信号进行预处理：采用采集得到的原始振动信号分为样本集后作为训练样本,对采样得到的时域样本进行快速傅里叶变换，将原时域信号样本转换成频谱信号样本，并对样本白化处理；步骤2.使用白化处理的频域样本来训练具有L1正则化的稀疏滤波；步骤3.使用前向传播，计算学习到的训练样本的特征；步骤4.采用高维特征训练softmax分类器，实现对提取的特征的自动分类；即：使用训练样本的特征及其对应的样本标签训练softmax分类器，通过前向传播得到的特征以及训练样本对应的故障类型标签进行softmax分类器的训练；步骤5.测试样本故障诊断：通过将设备采集得到的振动数据信号输入到上述训练好的网络，即可实现故障信号的特征自动提取及智能诊断；所述步骤1的具体过程为：1.1.收集样本：采样每个工况下每种故障的原始振动信号，采样得到所有时域样本其中是第j个样本，含有2N_in个数据点，M为样本的总数目；1.2.时域样本转为频域样本：将原时域样本进行快速傅里叶变换处理，得到的各个时域样本的频谱，取每个频谱前半部分频谱作为对应的频域样本；将这些半频谱作为频域样本组成训练样本集其中是第j个样本含N_in个数据点，N_in也是L1正则化的稀疏滤波的输入维数；用N_out表示网络输出维数的大小，即从每个样本提取出的特征的个数；1.3.样本白化处理：将训练样本集整理成矩阵形式进行白化处理，过程如下式所示：cov(ST)＝EUET    (1)式中cov(ST)是S的协方差矩阵，E是特征向量矩阵，U是以特征值为对角元素的对角矩阵；白化后的训练样本集Sw通过下式得到：Sw＝EU‑1/2ETS    (2)。